我国人口老龄化日益严重,跌倒检测对保障老年人的生命健康具有重要作用。准确快速识别老人的跌倒行为,有助于及时提供救治。基于计算机视觉的跌倒检测是目前的研究热点,本文也是侧重于这方面的研究。首先使用人体姿态估计算法HRNet从视频中获取骨架数据;然后对骨架数据进行预处理;最后结合改进的时空图卷积网络和双向长短时记忆网络对骨架数据进行高维特征提取,实现跌倒行为分类和识别。主要研究内容包括:针对现有公开数据集场景单一、样本数量少的问题,本文自建了跌倒数据集。所采集数据包括810个视频,分为10类动作。与其它公开数据集结合使用,验证提出算法的有效性。针对骨架点原始二维坐标容易受到摄像机视角和自身部位遮挡的影响,本文从连续帧数据中提取骨架点的相对坐标特征,增加输入向量的维度;在时间维度上使用同一骨架点相邻帧的运动变化信息。实验结果显示分类识别精确率提高了5.3%。并使用Bi-LSTM替换时空图卷积网络的时域特征提取模块,学习连续帧的长短时信息,实验结果表明,替换后的网络分类精确率提高了1.7%。对图卷积网络进行改进,提出一种高准确性的跌倒检测网络。首先根据人体部位的客观划分,将整个骨架图分为上肢和下肢;然后将拉普拉斯矩阵划分为两个对应子集,通过图卷积网络并行学习两个子集中的每个骨架点的特征;最后使用可学习聚合函数合成、获取整个骨架图信息。相比于使用整个骨架图,准确率提高了8.24%。对跌倒检测网络进行轻量化研究,解决运算内存过大的问题:使用二值量化训练方法把部分权重参数从float32精度（全精度）量化为1 bit精度,并通过调整网络结构减少量化训练对模型分类准确率的影响。实验结果表明,量化网络的准确率只下降了0.33%,权重尺寸大小可压缩20%～90%。使用改进模型在混合数据集（包含TST V2、UPFALL这两个公开数据集和自建数据集）中进行验证,全精度模型分类准确度达到97.89%,二值化模型为97.59%。