近年来,随着中国人口老龄化进程不断加速,老年人的健康、保护和救援等问题受到了社会的重点关注。跌倒是老年人和残疾人中最常见的问题之一,特别是独居的老人在跌倒后无法得到及时救助,对生命健康造成威胁。因此,有必要对跌倒检测算法进行研究。在智能监控领域中,基于深度学习的跌倒检测算法已经成为热门的研究方向,具体是利用卷积神经网络检测人体关键点以提取姿态信息,作为获取跌倒动作特征的重要前提,但目标的多尺度问题、人体姿态多样性及复杂场景因素的干扰会产生姿态遮挡和丢失现象,不利于跌倒特征的提取,并且在对跌倒动作进行检测时容易受到相似行为的影响,这些问题给算法的研究增加了难度。针对以上问题,本文对基于深度学习的监控目标跌倒检测算法进行研究,确定采用人体姿态估计和跌倒特征提取与分类两步法的设计思路,以提高跌倒检测算法的准确率。主要研究内容如下:1)针对监控视频中出现的多尺度目标、人体姿态多样性和复杂场景等因素导致关键点检测精度较低的问题,构建了一种基于改进R-FCN的人体姿态估计模型。采用自顶向下的人体姿态估计结构获取目标的姿态信息,选取R-FCN网络作为基础架构来构建目标检测模块,将原有的Res Net基础网络替换为性能更好、效率更高的Res Ne Xt网络,并改进多尺度候选区域模块,结合关键点检测网络和One-hot编码技术获取人体骨架图。在公开数据集的测试中,人体关键点的平均检测精度达到94.6%。实验结果表明,本文模型有效地解决了目标的多尺度问题,对于姿体难度性较大、场景复杂情况下的姿态估计取得了较好的效果,同时与其他模型相比,提高了检测速度。2)针对跌倒检测易受到相似行为和背景因素等干扰的问题,提出了一种基于注意力机制的时空图卷积网络模型。该模型利用图卷积网络在空间维度上提取特征的优势和门控循环单元在时间维度上提取特征的优势,分别获取骨架序列的空间和时间特征,并引入注意力机制优化网络的性能,进一步分类预测跌倒和非跌倒动作。此外,在提取特征之前,采用关键点补齐算法对缺失骨架进行补齐,以提高骨架图的完整性。在公开数据集的测试中,跌倒动作检测的敏感度达到99.5%。实验结果表明,本文模型在背景复杂、目标遮挡、尺度变化及相似行为干扰情况下具有明显的优异性。综上,通过对研究内容相关理论的学习和探讨,针对实际需求对方案进行优化,本文研究的基于深度学习的监控目标跌倒检测算法通过实验证明:检测速度基本满足实际应用的需求,并且从一定程度上降低了误报率,相比其他跌倒检测算法,提高了跌倒检测的准确率。