近年来，人体在跌倒状态下相关心率波动变化的研究已逐渐成为生物医学工程界一个热门的课题。其中一个具有重要研究价值的领域是针对常见的老人跌倒导致的健康危害的控制技术，即基于心率和跌倒姿态系统的课题研究。另一方面，无线躯体传感器及其网络技术由于其低功耗、移动性强、安全性高、集成微型化等特点也成为近年来人体医疗监护系统的研究热点。因此，本文提出了基于无线躯体传感器网络的人体跌倒状态及心率检测系统，构建的系统能在短时间内对病人或者老人在跌倒现象下心率变异这一生理参数进行实时性跟踪，实现早期报警。本文首先构建了便于穿戴的跌倒检测单元、心率检测单元以及无线PDA系统平台，将跌倒现象和突发性心脏疾病有机联系起来分析，该平台也为其它生理监护提供了良好的扩展性。其次，介绍了人体跌倒识别的研究背景、意义及现状。针对老年人跌倒现象，文中通过实验采集多种不同跌倒模式的特征数据，提出了基于支持向量机(SVM)的跌倒模式识别二分类方法，取得了很好的诊断效果。而针对诊断过程中特征向量维数过多而导致运算复杂度高和存储消耗量大等问题，文中采用成分分析(PCA)做降维处理，降低了识别算法的运算复杂度，进一步提高了系统性能。文中还在现有的心电信号(ECG)处理技术研究基础上，针对两电极检测出的ECG信号容易受到皮肤移动、肌电伪迹等干扰问题，本文采用小波变换对心电信号进行了消噪预处理，同时也提出了基于最小包围圆的投票表决方法统计心率值，最大程度地捕捉周期性表现的R-R间期，取得了满意的结果。文中还详细分析了MIT-BIH数据库中的心律失常心电数据。实验结果表明，该方法可以准确地提取出心率值。对于人体健康状态动态监控问题，文中运用无线躯体传感器网络技术实时实地监控人体活动生理状态。文中还针对人体医疗监护特点，基于Energy~*Delay模型的蚁群算法。算法中人工蚂蚁通过在线延迟的方式进行数据交换，并收集邻居节点状态和网络路由信息，以此建立起最佳路由表，使每次传输固定大小的数据和消耗相同能量的情况下使数据包传输时延最小。由于在无线通信系统中，能量消耗和传输时延是两个相互对立特征量，在此运用加强学习的方法RL(Reinforcement Learning)来训练该模型，取得了满意的效果。本文最后讨论了系统在人体跌倒监护中的应用。通过具体实验方法，对普通性跌倒现象进行了报警试验，取得了90％以上的跌倒报警正确率，并且实时地检测包括跌倒过程在内的所有人体跌倒状态下心率的波动情况，取得了初步的实验效果。