随着人口老龄化的加剧,人们越来越关注老年人的生命安全。摔倒给老年人的生命安全带来了严重威胁,相关调查研究表明摔倒是造成老年人意外伤害的首要因素。老年人摔倒后如果没有人及时发现,往往会错过最佳救治时间,造成无法挽回的严重后果。因此对摔倒识别方法进行研究,有效识别出老年人异常摔倒具有重要的现实意义。本文通过对摔倒识别方法进行研究,将机器学习理论方法运用在摔倒识别领域,准确有效识别出老年人有可能出现的异常摔倒,最大程度降低老年人摔倒带来的严重后果,有效减少老年人摔倒没有人发现的情况出现。全文的主要工作内容包括以下方面:（1）由于目前摔倒识别实验数据集相对缺乏,因此本文利用自行设计的可穿戴设备采集人体正常活动和人体摔倒的加速度、角速度、姿态角数据,对采集得到数据进行整理分析并制作实验数据集,为摔倒识别方法实验和摔倒识别系统实现作准备。（2）为增强相关向量机方法摔倒识别效果,本文提出BA-RVM方法。首先对实验数据集中数据有效特征进行提取,然后对相关向量机中目标核函数通过似然估计选取满足收敛条件核宽的方法进行改进,通过蝙蝠算法寻找相关向量机核函数的全局最优核宽大小并利用得到的最优目标核函数构造模型,实验数据集中摔倒识别准确率为98.2%。（3）本文提出ELM神经网络方法进行摔倒识别。ELM神经网络方法在训练过程中不需要调整输入权值和隐含层结点偏置,输出层权值可以通过计算隐含层输出矩阵得到,具有学习速度快和泛化能力强的优点,摔倒识别效果好于目前常见机器学习摔倒识别方法,实验数据集中摔倒识别准确率为99.4%。（4）将本文中的摔倒识别方法应用到系统中,设计并实现摔倒识别系统。完成可穿戴设备的设计,实现数据采集和数据无线传输功能。服务器端能够接收可穿戴设备上传的数据,并通过部署好的机器学习算法模型进行识别,实现摔倒识别功能。