可穿戴式生理监测系统是利用可佩戴式生物传感器收集人体运动与生理信号,实现对穿戴者运动与健康的管理。随着我国老年人口、亚健康群体以及慢性病患者数量的不断增多,人们的健康管理意识逐步提高,对可穿戴生理监测系统也提出了更高的要求。传统的可穿戴式生理监测系统,多属于额外增加的日常用品,用户常常忘记佩戴,且这类系统通常没有充分挖掘运动与生理信号的内涵。无线耳机除了拥有基本的娱乐功能外,还有心理压力低、采集运动和生理信号更加准确的优点,本文融合物联网、云计算、深度学习等技术,设计并实现了一款基于无线耳机的生理监测系统。主要的研究内容和工作如下:首先,基于无线耳机搭建了可采集运动和生理信号的软硬件系统,系统分为三个部分:耳机端、移动端和云服务端。耳机端在完成娱乐功能外,还负责运动和生理信号的采集;移动端主要负责对耳机的操控、生理信息的可视化展示和调用云主机的算法服务;云服务端用于跌倒检测和生理监测算法的部署并提供服务接口,如果发生异常事件可远程通知监护人或者拨打医院的电话进行救护。其次,设计和实现了基于头部惯性传感器的跌倒检测算法。使用互补滤波和扩展卡尔曼滤波结合的方法对原始的加速度和角速度进行过滤,降低陀螺仪的漂移误差并过滤加速度的高斯白噪声,得到更加精确的运动数据;针对由于用户佩戴耳机的角度不同导致的参考系不同问题,使用四元数坐标转换将耳机坐标系映射到大地坐标系;针对阈值法无法区分多种类型跌倒的缺点,采用多通道一维卷积神经网络（MutilChannel 1D-CNN,MC-1D-CNN）跌倒检测算法对阈值法进行优化。经过在多种公开数据集和实际采集的头部姿态数据集上的测试,其准确率从93.9%提高到了99.64%。最后,设计和实现了一种基于耳机系统的生理异常监测算法。为了解决生理异常数据不易获取的问题,算法通过自编码器（Auto Encoder,AE）对正常生理信号提取特征,然后使用一类支持向量机（One Class Support Vector Machine,OC-SVM）进行异常检测,并在AE中添加基于注意力的两阶段长短期记忆网络（Dual-Stage AttentionBased Long Short-Term Memory,DA-LSTM）,通过参考上一时刻的LSTM隐藏状态,在编/解码阶段分别自适应地指导输入序列的权重分配和选择时间步骤中编码器的隐藏状态,缓解了AE在处理长时间序列时出现的性能迅速下降问题。实验结果表明在仅使用正常生理数据的情况下,使用本文提出的算法能更好的检测生理指标的异常,其准确率为95.3%。