在过去的十几年中,多种摔倒检测算法被相继提出,但目前的基于深度学习的计算机视觉摔倒检测算法仍存在以下问题:（1）多数方法使用两个网络对目标进行分类和摔倒判定,会导致特征被重复两次提取,造成算法的冗余。（2）现有的摔倒检测数据集中包含的小目标样本过少,造成小目标检测的准确率低。（3）网络模型的深度不够进一步造成小目标检测的准确率低。（4）网络模型仅是对状态的检测,对于类似摔倒行为会造成误判。（5）网络模型无法对部分被遮挡的目标进行检测。（6）模型参数过多会大量消耗服务器的性能,降低检测的实时性。针对以上问题,本文提出一种端到端的多尺度摔倒检测算法。该方法将摔倒判定看作是分类问题置于目标检测网络中,利用一个网络实现端到端的摔倒检测。对模型中的残差模块进行改进,通过增加残差边的方式提高网络模型的特征提取深度;提出了树形特征提取网络作为辅助特征提取模块,使用多级融合的方式对特征进行提取,提高小目标的检测准确率。为解决网络训练难收敛的问题,提出两步走的训练思想,第一步先将适用于检测的网络层解冻训练,使部分网络层对于训练集有记忆;第二步再解冻所有层,训练整体网络,加快网络收敛速度,节省资源。拍摄小目标样本和部分被遮挡目标的数据集并处理,与蒙特利尔大学公开的摔倒检测数据集进行融合,建立摔倒检测融合数据集,通过K-means算法更新Anchor值,提高小目标检测的准确率。利用状态机的思想,提出摔倒判别器。利用不同阈值对不同状态进行判定,减少“假摔倒”造成误判的可能。将构建好的网络模型托管在Docker中,在Docker中对网络模型进行训练和预测,减少服务器的性能消耗增加了检测的实时性,进行统一部署免去工程化的繁琐流程,弥补目标检测算法的劣势。本文对不同场景不同姿势的摔倒进行了实验,实验中精确率和召回率分别达到97.20%和96.20%,m AP达到95.60%,对视频流的检测速度可以达到28.9FPS,很好的满足了实时监测的要求。