如今,随着全球经济复苏、社会稳定发展以及社会医疗水平的普及与提高,世界人均寿命不断提升,人口老龄化问题也随之呈现上升趋势。然而,人体年龄的增长,身体机能的衰退必然会导致人类生活中存在一些诸如意外跌倒等隐患。对于老人而言,即使一次普通的跌倒也可能会造成一系列难以恢复的伤病,甚至会导致老人瘫痪或死亡,这给老人及其亲人带来很大的负担和压力。因此,老年人跌倒后的及时发现与救治对其身心健康和生活具有重要意义。近年来,随着机器学习的迅速发展,基于模式识别的跌倒检测算法更多地应用在老年人群之中,并取得了一定的实用效果。针对老人意外跌倒的问题,本文在基于可穿戴式的跌倒检测方案上提出了一种基于SVM增量学习的跌倒识别算法。该算法的主要思想是将违背KKT条件的样本与类别边缘部分的壳向量组成新的训练集,重新对分类器进行训练,从而不断提高和完善分类器的分类性能。本文搭建一个跌倒检测系统,该系统主要用于对人体各种活动的数据采集。另外通过对人体日常活动与跌倒行为的身体部位特点研究分析,确定检测设备的佩戴位置;在对实验设备采集到的各种动作行为加速度与倾角数据进行野点剔除和低通滤波预处理后,利用加窗的方式对各类行为窗口内的数据进行特征分析与提取,并通过主成分分析方法来实现特征降维,挑选出对人体跌倒识别有意义的特征向量,剔除那些对识别贡献较小的特征。实验部分主要用敏感性、特异性和准确性三个指标对论文提出的跌倒识别算法和已有的跌倒检测算法进行评估。通过实验分析和对比,本文基于支持向量机增量学习跌倒检测算法在敏感性、特异性和准确性三个方面获得了较好的结果。与传统支持向量机算法相比,该算法对分类器训练的时间更少,并且能够有效区分正常人体活动与跌倒行为,具有较高的准确性和可靠性。