伴随人口老龄化的加剧,老年人健康问题越来越受关注。摔倒对于老年人来说是一个致命的危险,特别是对于空巢老人。如果老年人发生摔倒未得及时抢救,将有可能造成生命危险。因此研究出一个摔倒检测系统,能够准确检测老年人摔倒并发出警报,这无疑具有重要价值。近年来,随着计算机视觉的发展,在基于视频的行为识别技术领域也得到了极快的发展,已经有很多先进的算法能够准确地分类出各种行为。摔倒检测作为一种异常行为,如果将这些技术应用在摔倒行为检测中将具有重要的科研价值和现实意义。本文旨在对传统的基于几何特征的摔倒检测方法存在的一些问题进行了研究。一是几何特征不稳定,无法识别一些相似的活动。大部分这类算法只使用了一个全局几何形状来表达行人,难以提取出具有代表性的特征来分类一些和摔倒相似的活动。二是在摔倒分类的方法中,使用传统的数据统计和线性判别的方法准确度不高。而目前一些使用深度学习的方法准确率很高,但模型复杂需要花大量的训练时间,难以达到实时的要求。因此本文就这些问题提出了一种基于人体头身的多特征融合和深度学习的摔倒检测方法。针对几何特征的不稳定,难于区分相似活动等问题。本文提出将头身分割再分别提取头部和躯干的几何特征的方法。首先使用高斯混合模型检测前景,通过一定的比例预定位出头部的位置,再使用均值漂移法对头部进行跟踪,并通过修饰跟踪头部的区域大小和位置从而达到分割头部的目的;然后通过修饰传统的椭圆拟合方法去对头部和躯干进行椭圆拟合,从中分别提取出三个椭圆特征:椭圆的长短轴之比、方向角和质心的速度,融合成一个时空特征去表达运动。针对摔倒分类的准确性和实时性等问题。本文引入了一个浅层卷积神经网络模型用于分类时空特征序列。该模型架构简易,由单层卷积层、池化层和全连接层构成。本文将抽取到的时空特征序列作为该模型的样本进行训练和分类,与传统的分类方法比较,该分类方法使用了深度学习,能够有效地提高准确率;而与现有的深度学习方法比较,大大减少了训练时间,达到了实时的要求。本文将以上提出的方法进行了综合测验,通过拍摄室内场景视频并收集了大量的时空特征对提出的模型进行训练和测试,再和多种经典的基于几何特征的摔倒检测算法进行比较得出该算法能够有效地克服几何特征的不稳定性,并能够精确地区分一些相似活动。对于家庭、医院、养老院等室内场所,该算法能够用于有效地保障老年人的健康,具有重要的社会价值。