随着时间的推移,我国老龄化程度不断加深,据统计我国目前有2.4亿老年人,到2049年老年人口将超过4.3亿,占总人口的三分之一。老年人的健康监护将成为最亟需解决的社会问题。而对老年人健康威胁最大的是诸如心血管疾病之类的慢性病,据国家心血管疾病中心推算我国心血管疾病患病人数共有2.9亿,占居民疾病死亡构成的40%以上。并且意外跌倒也是造成老年人失能的主要原因之一。针对老年人健康监护问题,由于中国的养老模式中有90%是居家养老,所以居家监护逐步成为主流的解决方案。但是目前居家健康监护的问题在于,各类健康监护设备种类繁多,但互不兼容。因此本文提出的家庭式医疗健康监护系统,以符合ISO/IEEE 11073标准的医疗设备为基础,采集血压、血糖、血氧等生理数据。并利用HDP协议将采集的数据传输至基于Android系统开发的客户端,客户端可以查看管理数据,并可将数据同步到后台服务器,同时系统还具有跌倒检测与心电监护的功能。为实现跌倒检测功能,本文提出了基于KKT条件的SVM增量学习跌倒检测算法,利用SVM增量学习解决实验数据训练得到的模型在真实环境中可能精度下降的问题,以及用户使用过程中产生新增样本数据会导致训练样本过大的问题,利用KKT条件过滤解决了用户使用过程中产生新增样本中的数据不均衡问题。该算法UniMiB SHAR跌倒数据集进行了算法验证,跌倒检测准确率达到了97%,并且与传统SVM算法相比该算法在不影响精度的情况下提高了训练速度,减小了内存占用。最后本文研究了基于DWT与SVM支持向量机的心电分类算法,用以将用户的心电信号二分类为正常心拍、心律失常心拍。本文在MIT-BIH心律失常数据库的基础上利用离散小波变换进行去噪,R波检测以及特征向量提取,从每个心跳周期中利用小波分解得到8组系数,4组细节系数、4级近似系数。最后针对8组系数不同的组合,分别进行SVM模型训练,其中4组细节系数表现最好,达到了98%,能够准确地对心电信号进行分类。