据统计,每年大约有三分之一 65岁以上的老人会因跌倒而受伤,如果老人在跌倒之后得不到及时救助,会引发更严重的后果。随着智能可穿戴设备的普及,人体运动状态监测已引起人们的关注。现有的穿戴设备大都用来检测运动数据,但不能对人体跌倒行为进行有效监测,因此设计一个精度较高的跌倒检测系统尤为重要。本文在Android平台上,利用加速度传感器采集人体运动信息,对人体运动模式进行识别,并采用机器学习方法对采集的信息进行处理实现对跌倒行为的实时监测,有助于老人在跌倒后能被及时发现,得到有效救助。首先通过Android手机对人体运动信号进行采集,为了消除摩擦和抖动对数据的影响,对运动数据进行了滤波处理并采用峰值检测的方法进行计步。然后在时域空间中提取出20维具有代表性的特征,为了避免特征信息冗余的现象,分别运用主成分分析(Principal component analysis,PCA)和基于核的主成分分析(Kernel principal component analysis,KPCA)的方法对特征进行降维,选取出主分量较高的特征成分,通过对神经网络和支持向量机(Support vector machine,SVM)算法的对比实验,选取SVM作为分类器进行训练,对日常运动和跌倒模式进行预测,验证分类器的准确率。最后针对以运动识别系统中的跌倒检测为基准,运用单个SVM进行预测时会出现误判和漏判这一问题,本文提出了一种基于多支持向量机(Multiple support vector,MS VM)的跌倒检测。MSVM采用网格寻优和粒子群算法对SVM的两个重要参数进行寻优,找到准确率高的m组参数之后组建了一个由m个SVM组成的组合分类器,对预测的输出结果进行综合评估,降低由于漏判对老人的身体健康造成的危害。最后,以MATLAB的Libsvm工具箱作为实验仿真平台,对本文提出的方法进行验证。最终对1000组实验数据进行仿真实验,其实验结果表明在保证准确率变化不大的情况下,根据所确定的“安全域”,可以将跌倒样本的漏判率降低到0.8%,对人体运动识别中跌倒检测的应用具有实际意义。