自本世纪初中国进入老龄化社会以来,我国人口老龄化不断加深,老龄人口数量不断增长,60或65岁以上人口数量庞大。如何应对人口老龄化问题,保障老龄人群的生命健康成为社会焦点话题。老年人的意外跌倒频繁发生,极易引发生理或心理的不良后果,也是老年人生病、伤残和死亡的主要原因之一,严重影响了老龄人群的生命健康和生活幸福。为了减少和避免跌倒对老人的负面影响,除了针对性的预防跌倒之外,还需要家人或者监护人员对老人跌倒行为的及时发现和救治。因此,研究人体跌倒行为检测的方法对于减少意外跌倒带来的负面影响具有重要意义。本文围绕人体跌倒行为检测方法,主要进行了以下工作:分析现有跌倒检测方法的优劣势,确定将九轴MEMS传感器作为数据采集的基础。通过分析人体跌倒过程中的生物力学特性,佩戴MEMS传感器于人体上躯干腰部,采集了一个包含跌倒和其他6种非跌倒人体行为数据的数据集。针对本文使用的数据集,给出了数据预处理的方法。从数据集抽取原始数据,存储为易于使用的形式,使用卡尔曼滤波方法去除MEMS传感器数据中的异常数据,并对数据进行平滑处理,有利于后续实验成果更精确。针对阈值检测方法对于复杂多样的用户跌倒行为特征适应性较差的问题,提出了一种基于改进的自适应多阈值模型的人体跌倒检测方法,提高了人体跌倒检测的自适应性。研究的主要内容是建立了一套基于目标人自身多重行为特征提取和基于人体跌倒时刻多重状态转化的系统。此外,邀请了具有不同BMI值的志愿者模拟复杂多样的用户进行实验验证,跌倒检测准确率达到了99.22%。针对使用深度神经网络静态预测跌倒行为时循环神经网络存在梯度消失和难以学习长期依赖项的问题,提出了一种基于卡尔曼滤波改进LSTM的人体跌倒检测方法,该方法利用LSTM对于时间序列数据的处理能力,长期记忆、短期记忆的学习能力,独特的门结构,以及卡尔曼滤波对动态数据的状态估计能力,对传感器数据进行处理分析以识别出7种正常行为和包含9种不同方式的跌倒行为,在实验对比中验证了该方法的识别能力,平均准确率达到了98.84%,人体跌倒行为检测准确率为98.73%。