随着人口老龄化进程的加快,空巢和独居现象也越来越普遍,如果老年人在家中发生意外跌倒,而得不到及时救治,很可能会造成严重的伤残,甚至是死亡,因此关于跌倒检测的研究就具有了重要的社会意义,已然成为目前国内外的研究热点。纵观国内外关于跌倒检测的研究,多数基于视频图像序列,其需要进行大量的图像处理和数据分析,造成了大量信息的冗余,从而影响了检测的实时性,且其对背景的要求过高,如果背景复杂,则其检测准确率会严重降低。针对上述问题,本文提出了一种复杂背景下的基于多特征融合的跌倒检测方法,旨在更加迅速、准确的检测出跌倒行为,为后续老年人的救治争取到更多的时间,减小老年人因跌倒造成伤残的可能性。论文的主要研究内容包括：1、人体概率模型的建立。此模型为后续的从静态图像中分割出人体奠定了重要的基础。由于人体姿态的繁复性、不确定性以及图像背景的复杂性,想要在整体上一次分割出人体是很不现实的。本文思路是,首先把图像分割为多个区域,然后计算各个区域包含人体部件的概率,或该区域就是人体部件的概率,最后再次计算各部件在整体上组成人体的概率,如果大于设定的阈值,则认为其就是人体,并与分割算法相结合分割出人体。2、静态图像中人体分割方法的研究。由于本文设定的环境为复杂背景,使用一般的方法不能很好的将人体从复杂的背景中分割出来。因此本文研究了一种深度融合的人体分割算法,该算法基于分水岭分割算法和自动区域生长算法的有效融合,分水岭算法能很好的分割出具有相似特征的区域,但是很容易产生过分割的问题,而自动区域生长算法则自动选择种子区域,把一些相似但却属于不同区域的区域合并为同一区域,很好的解决了分水岭算法造成的过分割问题。实验结果表明,此算法效果良好。3、针对跌倒姿态的特征选取问题,提出了一种跌倒特征向量模型。本文重新定义了用来检测跌倒行为的特征向量模型,共包含5种类别11个特征向量,分别为人体宽高比、人体有效面积比、人体点边距、人体轴线角和人体轮廓离心率。利用此特征向量模型训练支持向量机,该支持向量机基于高斯径向基核函数,其特征空间是无限维的Hilbert空间,最大间隔优化问题甚至可以在无限维中求解,能很好的满足本文的需求。仿真实验结果表明,本文研究的人体分割方法对复杂背景来说具有很好的适用性,其分割的准确率达到96.15%,所用时间为72.2ms,相比其他图像分割算法具有更好的分割效果和更少的处理时间；基于高斯径向基核函数的支持向量机分类模型对静态图像中的跌倒行为的识别准确率达到了94.5%,而对于视频图像序列的识别准确率甚至更高,达到了94.9%。证明本文研究的模型能够满足复杂背景下跌倒检测的需求,具有检测迅速、准确率高等优点,这对于提高老年人生活质量具有重要的现实意义。