跌倒是老年人受伤的主要原因之一,随着我国老龄化人口占比逐年升高,如何在跌倒的第一时间提供救助对于保障老人生命健康安全变得日益重要,各类跌倒检测算法应运而生。为进一步提高跌倒检测的精度,进而为发生跌倒的老人在第一时间提供医疗救助,本文设计一款基于深度学习的跌倒检测系统。主要研究内容和创新工作如下:（1）本文设计一套可穿戴式跌倒感知系统,用于测量三轴方向的加速度和旋转角速度,并使用蓝牙模块将数据传给上位机。考虑到佩戴的舒适性以及稳定性,建立人体运动模型,综合分析后选择右侧骼嵴作为特征部位。最后,对硬件的各个模块进行联调,以实现信息流通。当发生跌倒行为时,系统将自动检测并通过云平台报警系统向指定号码发送报警短信,以保证及时救助。（2）针对跌倒检测数据信息长序列特性造成检测精确度低的问题,本文首先对数据进行预处理,将长序列的数据转换为时空数据以降低数据在某一维度的长度,为避免网络发生失序导致的数据缺失问题,采用时间窗的方式进行数据集获取,防止跌倒发生的瞬间数据未被采集到,以进一步提高系统检测精度。（3）针对真实跌倒行为与类似跌倒行为不易区分,容易误判的问题,本文提出一种基于CNN-Casual LSTM网络的跌倒检测算法,用于跌倒检测判断,相比以往算法进一步提高跌倒检测的准确度。该神经网络主要由编码层、解码层和Res Net18分类器组成。其中,编码层包括三层CNN和三层Casual LSTM;解码层包括三层反卷积和三层Casual LSTM,将时空信息映射到更利于分类网络工作的隐藏变量输出;Res Net18进行监测数据的二维分类。该时空网络模型通过编码层提取每个输入的空间特征,同时通过GHU（Gradient Highway Unit）快速通道保留时间信息的影响,充分利用时空信息,具有更高的跌倒行为识别率。（4）针对网络结构的层数以及神经元的选择问题,本文通过控制变量法实验验证网络结构设置的合理性。此外,通过使用公共数据集与FD-CNN等算法进行对比实验,准确度等多个维度评估算法性能。实验结果表明,本文所提算法在公开数据集的准确度为99.79%、灵敏度为100%、特异性为99.73%,实际测得数据集的准确度为98.33%、灵敏度为100%、特异性为97.50%。