随着医疗事业的发展,我国的人均寿命得到提高,同时社会的进步也使得年轻群体的生育观念发生变化,人口的出生率持续走低,社会老龄人口占比增大。跌倒是65岁以上的老人因伤致死的首要原因。在这些跌倒致死的案例中,有很大一部分是因为救助不及时。对跌倒技术进行研究,使跌倒能够更加快速、精准地被识别出来,提高对老人的救助能力,具有重要的意义。针对常见视频监视设备的隐私泄露,以及可穿戴设备的忘记穿戴等不便条件,本文基于楼板振动信号的监测与处理来进行跌倒识别。研究了机器学习算法的选取对跌倒识别结果的影响。目前已有许多学者致力于跌倒识别算法的研究,均得到了较好的识别结果。本文从这些表现较好的算法中选择六种机器学习算法（一维卷积神经网络（1D CNN）、二维卷积神经网络（2D CNN）、多通道深度卷积神经网络（MC-DCNN）、K近邻、逻辑回归、决策树）进行跌倒识别,通过建立精确率、准确率、召回率三种评价指标,比较传统机器学习算法与深度学习算法在跌倒识别上的性能,最终得到多通道深度卷积神经网络的识别效果最好,该算法达到的最佳准确率、最佳精确率、最佳召回率上分别为99.7%、99.7%、99.17%。研究了加速度传感器的数量和位置对跌倒识别效果的影响。比较了在加速度传感器数量和位置不同的15种组合下六种机器学习算法的跌倒识别结果。得到以下结论:对于K近邻、逻辑回归、决策树算法,跌倒识别效果同时受到传感器数量和位置的影响,当初始为1个加速度传感器时,受数量影响大于位置影响,当初始加速度传感器数量为2时,跌倒识别效果主要受位置的影响;对于一维卷积神经网路、二维卷积神经网络、多通道深度卷积神经网络,跌倒识别效果主要受加速度传感器位置的影响。从室内监测需求和成本等实际条件出发,本文进一步研究了普通钢筋混凝土楼板上布置单个加速度传感器的监测方案。利用ANSYS建立实验室楼板的有限元模型,模拟跌倒、包跌落、球跌落时楼板的加速度响应。研究了在距楼板边缘0.5 m范围内的176个不同位置处放置加速度传感器时的跌倒识别效果,结果表明在距楼板边缘0.5 m范围内,加速度传感器离楼板中心的距离越近,跌倒识别的效果越好。