随着人口老龄化的加剧,对老人的安全监护逐渐成为社会的重要课题,意外跌倒是导致老人意外死亡的重要原因,若能够及时地检测出跌倒的行为,对挽救老人的生命有很大帮助。由于姿态估计提取到的人体骨架特征可以很好地编码人体的结构信息,能够帮助实现高效的跌倒检测算法。因此,本文首先对人体姿态估计的相关技术展开研究,再基于姿态估计设计一个轻量高效的跌倒检测算法,主要内容如下:（1）在姿态估计领域中,热图被广泛用于编码人体关键点的信息,然而它在生成过程中却面临着各关键点尺度变化的问题。为此,本文提出了尺度感知热图,在热图的生成算法中融入各类型关键点的相对尺度信息,从而依据关键点的尺度来调控其在热图中的特征表示。此外,由于人体各关键点在空间中的分布是稀疏的,热图中还存在前景元素与背景元素数目不平衡和元素检测难度不平衡的问题。为此,本文设计了权重再分配的损失函数,在神经网络的训练过程中给热图内不同元素分配不同的权重,并依据元素的检测难易程度来动态地调整其权重大小,从而提升网络的性能。（2）在设计跌倒检测算法时,考虑到算法在应用场景中高实时性的要求,本文对算法的卷积神经网络结构进行了轻量化改造,通过深度可分离卷积策略和残差网络结构来优化神经网络的参数量和计算复杂度,利用通道注意力机制来提升网络的性能,从而满足算法对性能和实时性的要求。此外,考虑到算法在多人场景下面临的视频帧间人物误匹配的问题,本文首先基于对人体结构的研究提出了结构中心点的概念,然后基于结构中心点设计了一个轻量的帧间骨架重匹配算法,能够对相邻视频帧间属于相同人物的骨架特征进行匹配,从而对视频内每个人物的行为进行分析。本文分别在姿态估计任务和跌倒检测任务的公开数据集上进行了实验分析。实验结果表明所提出的姿态估计算法能够在COCO数据集上达到69.4%的平均精确度,相比于基线方案获得2.3%的提升,跌倒检测算法能够达到97.7%的准确度,运行效率达到每秒20帧的处理速度,充分验证了算法的有效性。