为了降低沉浸式虚拟现实(VR)用户由于VR眩晕导致的跌倒风险,目前的研究大多使用传感器采集加速度特征,通过模型匹配和阈值法预测跌倒。然而在实际应用中,基于加速度特征的方法往往存在传感器佩戴繁琐,影响用户体验以及姿态信息缺失导致识别率不高的问题。除此之外,由于特征维度单一,目前的跌倒预测方法往往需要牺牲预测时效来提高识别精度,使得裕量时间不足。本文针对现有跌倒预测方法识别率不高、裕量时间不足以及不适用于沉浸式VR场景的问题,提出了一种面向虚拟现实用户的跌倒预测方法。主要研究内容如下:第一,针对目前基于加速度特征的跌倒预测方法设备穿戴繁琐,不适用于沉浸式VR场景且裕量时间不足的问题,提出一种基于关节角度特征的隐马尔科夫—决策树(HMM-DT)跌倒预测方法。该方法以Kinect骨骼关节点数据为基础,首先采用一种改进的关节角度特征简化数据维度并全面地描述人体姿态;然后对人体跌倒过程进行预测研究,改进现有的基于隐马尔科夫(HMM)序列匹配的跌倒预测方法,并结合决策树(DT)分类理论,将各特征作为决策树的分支,最终得出分类预测结果。实验结果表明,本文方法实现了在沉浸式VR场景中预测跌倒的目标,显著延长了裕量时间,减小了实验对象的跌倒风险。第二,针对现有基于关节角度特征的HMM-DT跌倒预测方法中存在过拟合现象,导致误判率较高的问题,提出一种基于多维度特征的隐马尔科夫—随机森林(HMM-RF)跌倒预测方法。该方法从两个方面对现有方法进行改进,首先在关节角度特征基础上增添角速度特征以表征时序状态;其次采用随机森林(RF)思想,将构造决策树的步骤改进为构造随机森林,利用随机森林“票多者胜”的特性来消除原方法中过拟合的影响。实验表明本文方法在识别精确率和召回率上有较为显著的提高。第三,基于上述研究,设计并完成一个虚拟现实场景下的跌倒预测系统。该系统实时分析用户的动作姿态,预测其是否会发生跌倒,并将预测结果反馈到系统界面和虚拟现实场景中。