人类社会步入老龄化时代的趋势日益加剧,跌倒逐渐成为损害老年人身心健康的主要问题之一。人体跌倒检测和行为识别逐渐成为国内外学者的研究热点。但由于光照、遮挡等因素的存在,单一传感器的跌倒检测效果并不理想。目前,多传感器融合是人体跌倒检测和行为识别技术的重要发展方向。本文围绕多种光照环境下的人体跌倒检测和行为识别开展研究工作,研究了毫米波雷达、摄像头的单一传感器检测和识别算法和多传感器系统搭建,重点研究了多传感器的融合跌倒检测和行为识别算法,并开展了理论分析、算法研究及实测验证等工作,主要内容如下:1.设计了一种自适应特征提取和分类识别的深度学习网络。以深度学习理论为基础,利用改进的卷积神经网络和长短时记忆网络对传感器采集的数据进行特征提取,学习数据间的时空特征和时序特征,训练行为分类器。解决了单一模态数据下特征提取具有局限性的问题,提高了单一传感器识别算法的准确率。2.提出了一种基于毫米波雷达谱图数据融合的精细化动作识别算法。以雷达数据的预处理和谱图数据分析方法为基础,获得人体运动目标的时间-频率和时间-距离的谱图数据。通过多模态数据融合的方法提取多维度的人体运动特征信息,解决了单一模态数据下混淆动作识别准确率较低的问题,进一步提高跌倒检测和行为识别算法的准确率。3.提出了一种基于多传感器的数据级融合检测和识别算法。建立毫米波雷达和摄像头的多传感器时空转换坐标系,获得时空配准后的数据。通过分析多模数据的时序特性,设计数据级融合深度学习网络,提取多模态数据的时空和时序特征信息,解决多模数据中数据差异性与融合有效性间的矛盾和光照条件影响摄像头识别准确率的问题,提高低光/无光环境下的人体跌倒检测和行为识别的准确率。通过实测数据验证,毫米波雷达数据融合算法对于混淆动作的识别准确率提升了4%;摄像头在正常光照环境下的准确率达98%以上,黑暗环境下识别准确率提升了7%以上;数据级融合算法在多种光照环境下的准确率达95%以上。