近年来,随着人们生活水平的提高、计算机和传感器技术的不断发展以及世界人口老龄化的加剧,跌倒行为检测对于老年人和病人的医疗监护提供了不少方便,并节约了大量成本。根据数据采集方式,跌倒检测方法可分为基于传感器和基于摄像头方法。其中,基于传感器的跌倒检测方法通常在人身上穿戴传感器节点,可以任意活动。而基于摄像头的跌倒检测方法通常无需在身上携带任何设备,不影响监测者活动,但只能位于指定区域。本文主要研究基于摄像头的跌倒监测方法,利用微软提供的三维摄像头-Kinect监测人体跌倒事件。与传统二维摄像头不同,利用三维摄像头进行跌倒检测,可以进一步提高识别准确率,并减少计算复杂度。本论文主要工作如下:针对目前跌倒检测方法中特征提取方法导致识别准确率不高问题,本文在特征选择阶段计算骨骼节点距离地面高度、骨骼节点的加速度以及K-means骨骼节点点心距离特征,构建特征向量。根据骨骼节点在连续帧内位置变化计算变化特征,提高信息的丰富度。对每个样本进行特征向量提取,通过HMM进行训练与分类,识别准确率和敏感度分别达到95.5%和100%,与传统跌倒检测方法相比提高了4.8%和12.0%。针对目前跌倒检测方法中骨骼信息冗余导致识别准确率不高问题,本文用方差色块图的方式体现21个骨骼节点点心距在不同动作中的离散情况,根据方差转换为骨骼信息量的思想,将滑动窗口均值和标准差转化为特征权重对向量进行加权,输入HMM进行训练与分类。采用这种机制,进一步提高了识别准确度,识别准确率达到96.6%。