世界各国,尤其是发展中的国家,都面临一个共同的课题:人口老龄化。根据我国的具体国情,人口流动量大、城市务工人员多,导致留守老人与留守儿童人口众多等,集中养老方便政府管理,有利于社会发展,因此集中养老将成为社会发展必然趋势,在集中养老环境中老人日常行为检测、姿态检测与识别成为了重要研究领域,其中跌倒行为会对老人的身心造成伤害,每年因为跌倒而扭伤、骨折、死亡的事件都不在少数。目前能够进行老人姿态检测与识别的主要系统有基于图像或视频的检测系统、基于环境的检测系统、基于惯性传感器的可穿戴检测系统,本设计深入研究了各个系统的优劣以及发展趋势,对比发现基于惯性传感器的可穿戴检测系统具有很强的发展潜力,可穿戴的惯性产品也会成为未来Smart clothes的一部分。为了解决集中养老环境下老人的姿态检测与识别问题,依据前人和学者的研究进展,首先对传感器节点的佩戴位置进行了研究对比,对手腕、腰腹位置、头部、大腿等做了精度对比研究,确定传感器佩戴位置。然后提出该系统的设计方案,经过对元件的选型对比,最终选用惯性传感器MPU9250以及STM32控制器实现了人体数据的采集,通过数据助手对采集的数据进行保存,依据香侬定理和人体的日常运动数据,对人体的采样率进行了对比研究,确定最优采样率。最终,经过对人体日常运动的特性以及采集数据的特征分析,将人体的日常行为分为了3类,分别为非跌倒类、类跌倒类、跌倒类。非跌倒类动作主要包括有行走、慢速行走、跑步、站立或平躺,这类动作的数据特征比较明显,仅仅使用人体加速度值,采用阈值算法就可以识别。为了使该部分数据更具有实用性,对该部分进行了步数的计算以及运动距离的计算,可以通过运动量的大小,来判断老人是否得到了恰当的锻炼。类跌倒的动作主要包括有奔跑、上下楼梯、弯腰、蹲下、跳跃等动作,通过线性回归的分析,发现加速度的数据的漂移现象,导致无法提取有效的特征进行判断,需要对原始数据进行软件补偿。对于跌倒类行为,与其他学者相比,进行了更加详细的判别,利用Mathony数据融合的算法对9轴传感器进行了欧拉角的解算,利用加速度结合俯仰角和滚动角来判断人体的是否跌倒以及人体跌倒的方向,可以更好地对老人的跌倒行为进行风险评估。最后通过算法分析评估结果发现,采用欧拉角的变化,对人体跌倒方向的识别达到了95%左右;利用加速度数据进行计步和算法识别精确度为94%;对类跌倒行为的识别分类需要进一步对算法进行优化。