近年来,随着经济的不断发展和社会的不断进步,人口老龄化问题逐渐加剧,摔倒给中老年人的健康带来了威胁。如何进行摔倒的自动检测以实现摔倒后的及时救治,对于保护中老年人的健康至关重要。现已提出的基于可穿戴传感器、基于环境设备、基于计算机视觉等方式实现的摔倒检测方法,可以实现较高精度的摔倒检测,但都存在一定的局限性。因此,基于无线信号的感知技术,因其非接触性和非视距性的特点,受到了研究人员的广泛关注。但在现实环境中,由于室内墙壁、桌椅等障碍物的影响,无线信号的多径现象普遍存在,严重影响了接收端的性能,导致不易从接收信号中提取与人体摔倒有关的特征,带给人体摔倒检测任务很大的挑战性。针对上述问题与挑战,本文提出了一个基于无线信号的室内实时摔倒检测系统,并分别从网络结构、数据扩充、模型迁移、实时性四个方面进行了优化。（1）本文首先搭建无线信号采集设备,采集人体正在活动时的无线信号数据,然后基于预处理后的无线信号构建数据集。接着本文训练了一个以长短期记忆网络为主体的深度学习模型,使其可以提取无线信号中摔倒相关的特征,从而实现摔倒检测。（2）由于无线信号的多径传输方式,人体活动和无线信号之间存在着复杂映射关系,特征的提取较为困难。针对该问题,本文在深度学习模块优化了网络结构,提出将多尺度方法和多级分类器思想引入特征提取阶段,提升了网络的检测性能。（3）针对基于深度学习的方法是数据驱动的,但无线数据的采集和标注成本过高这一问题。本文提出了一种无线信号的数据增强方法,提高了整体的检测性能,同时将半监督学习应用于该任务,极大地减少了数据集构建的压力。（4）由于无线信号对于环境改变敏感,难以将训练好的模型迁移至新环境中。针对该问题,本文提出将伪标签的方法应用于新环境下的模型迁移。无需新环境下带有标签的数据,即可实现模型对于新环境下的摔倒检测。（5）应用于真实场景时,连续自由的活动、实时性的要求对系统提出了挑战。本文通过搭建实时处理系统,优化数据提取的方式保障了系统的实时性和连续性。