当前,老龄化问题不容忽视,独居老人越来越多,老年人由于身体素质大不如以前,在日常生活中非常容易跌倒,给老年人的身心带来了很大的伤害,所以非常需要一种手段来对老年人的日常生活进行实时监测,对跌倒事件作出判断,在计算机视觉技术迅速发展的推动下,人体姿态估计已经被广泛应用于动作识别、运动姿态评分、辅助康复治疗等领域,人体姿态估计的核心是从图像中检测出人体的关节信息和骨骼信息,并连接起来形成骨骼图像,以帮助计算机理解人类肢体信息,因此本文将研究计算机视觉姿态估计算法,并将其应用到跌倒检测当中。利用姿态估计来进行跌倒检测,需要提取人体关节点信息和骨骼信息,为了从视频序列中提取人体关节点坐标和骨骼图像,本文做了许多关于计算机视觉姿态估计的研究,首先研究了背景减除法等运动目标检测,该算法可以从图像中找到运动的人体,可以对数据进行预处理,仅研究目标区域,为姿态估计做好基础,之后研究了openpose姿态估计算法,重点研究了其核心思想PAF（部位联通域）和关节点置信度,然后研究了Azure Kinect DK深度相机的姿态估计,重点研究了其TOF原理和骨骼跟踪原理。经过对比发现,openpose等传统姿态估计都是基于光学RGB图像,光学图像在光线的影响下,会出现不同的结果,而且在夜间不能使用,Azure Kinect DK深度相机由于采用深度信息,解决了光照的问题,可以实现全天实时监测,而且获得的骨骼图像不包含环境信息,仅保留骨骼信息,起到保护隐私的作用,因此本文主要使用Azure Kinect DK深度相机进行跌倒检测。在跌倒检测的方法中,本文采用阈值法结合模式识别法共同对跌倒进行检测,阈值法采用头部下降速度和身体倾斜角,其中上半身倾斜角用于解决弯腰和下蹲等类跌倒动作误判的问题,模式识别法将跌倒检测转换为跌倒和非跌倒的二分类问题,采用支持向量机二分类方法结合方向梯度直方图对骨骼图像提取特征进行分类。最终实验数据显示,本文使用Azure Kinect DK深度相机实现基于姿态估计的跌倒检测,具有较高的准确率和实用性。