现阶段我国已经进入老龄化社会,老年人监护问题已成为当前社会一大亟待解决的问题。老年人因身体机能下降,极易发生跌倒;跌倒后果,轻则擦伤,重则伤残甚至死亡。对于老年人养老监护问题,跌倒检测是一项具有重要意义的研究。及时检测出跌倒行为,可以第一时间寻求救助。基于上述原因如何设计一个实时性好、精度高的跌倒检测系统成为一项研究热点。本文着手于跌倒检测的研究,结合监控视频将人体姿态估计应用到跌倒检测研究当中,提出一种基于姿态估计的跌倒检测方法。针对Openpose算法在人体姿态估计方面存在的参数多、计算量大、实时性差等问题,提出一种基于深度可分离卷积结合混合空洞卷积（Hybrid Dilated Convolution）结构的改进算法。深度可分离卷积代替原有的卷积神经网络结构,采用三阶段网络设计结合residual结构的3*3卷积结构取代原有网络结构。和原有模型相比,改进后的模型参数量和计算量分别减少了80.4%、86.5%。为了确保提取图像特征时不会丢失数据以保证人体关节点的检测更为精确,进一步引入HDC结构。该操作能够保留更多特征信息,使人体姿态估计的结果更加准确。实验证明,改进后的算法模型在进行人体关节点检测时能够维持原有检测精度,大大提升检测速度,能很好的满足实时性的要求。在跌倒检测研究当中,提取有效特征进行跌倒判别是一项重要的任务。通过改进的人体姿态估计算法完成对人体关节点位置的检测,提取时间特征参数和空间特征参数来构建相应的跌倒特征,进行跌倒事件建模。完成对跌倒特征的检测后,设计一种多参数综合判断的跌倒检测算法。相比于单参数判定,通过多参数综合判断来完成跌倒判别更不容易出现误判现象,能提高跌倒检测的准确性。由于不同姿态下的人体关节点对应位置均有所不同,通过分析连续时间序列上的人体关节点的位置变化来进行跌倒检测。在卷积神经网络的基础上设计一种跌倒检测模型,对人体姿态估计的结果进行特征提取并量化为具体数据来进行跌倒分类。为了验证本文提出的方法的有效性,在三个经典的跌倒数据集上进行实验验证,分别获得98.53%、97.71%和97.20%的准确率。与其他方法相比,本文提出的基于姿态估计的跌倒检测方法在检测精度和实时性上都表现得更好,具有较高的实用性和应用价值。