随着人口老龄化的日益加剧,在我国出现了越来越多的独居老人,这些独居老人由于独自在家无人照顾的缘故,一旦出现室内跌倒的情况就会十分危险。为了及时发现这些室内跌倒行为,一个可以在室内环境下实时检测跌倒行为的系统就显得格外重要了。而随着计算机视觉和深度学习近几年的飞速发展,二者的结合解决了很多实际问题,从最初的图像识别、物体识别已经发展到现在的行为识别和姿态估计。本文利用了深度学习中的代表算法——卷积神经网络和计算机视觉中的方法——光流法相结合的方法实现了室内跌倒行为实时检测系统的开发。本文为了实现室内环境下的跌倒行为检测,训练了一个卷积神经网络模型,该模型具备在输入的视频中判断是否出现了人体跌倒的能力。在模型选择方面,本文使用了卷积神经网络中的VGG-16结构,为了使VGG-16结构可以对输入的动作序列进行训练和优化,本文修改了VGG-16结构中的输入层。在数据集方面,本文使用了URFD跌倒数据集和UCF-101人体动作数据集。除了使用公共数据集外本文还制作了一个人体跌倒行为数据集,该数据集扩充了训练数据集使得模型取得了更加好的准确率。在数据预处理方面,本文使用光流法将跌倒数据集视频转化为由光流图像组成的动作序列。在模型训练过程中,采用了迁移学习的训练策略并且通过不断调整损失函数的权重来优化模型。输出层根据Softmax分类器输出的结果不断调整模型中各层的权重（w）和偏量（b）,在达到较好的准确率时保存模型。在实验方面,为了取得最好的训练效果本文探索各种方法并且做了大量实验,实验结果表示使用大量的跌倒行为数据集训练可以解决过拟合问题,使用光流图像作为模型的输入数据可以消除背景环境影响让模型取得了更高的准确率。在准确率方面,实验结果表明本文提出的基于光流法和卷积神经网络的跌倒行为检测方法可以在室内环境下正确地检测出跌倒行为的发生,并且训练后的模型在测试集上达到了较高的准确率。在实用性方面,本文方法与其他方法进行了对比,实验结果表名在实际应用中本文方法可以在人体发生跌倒时及时发出警告且不会漏判,满足了室内实时跌倒检测系统的实时性要求和准确性要求。最终本文成功构建了一个室内跌倒行为实时检测系统,本系统可以通过室内部署的摄像头检测出人体跌倒行为的发生,并且本文系统具有通用性可以在与训练数据集中不同的室内场景下使用。