由于全球老龄化的加重,近年来关于老年人跌倒的问题逐渐引起学术界的关注。老年人跌倒发生率高,而且后果比较严重,威胁着老年人的身心健康。老人的跌倒可以通过一定的手段来预防,高效且适用的跌倒检测算法可以很大程度上减轻由跌倒引起的危害。尽管目前有一些基于传感器,可穿戴设备和摄像头进行跌倒检测的方法,但它们都有一定的局限性。Wi-Fi信号由于成本低廉、在黑暗的条件下也可以使用、容易大规模部署等特点在跌倒检测领域也有着广泛的应用。无线信道状态信息作为Wi-Fi细粒度的载体,能为跌倒检测应用提供更丰富的数据源。本文调研了多种跌倒检测技术,之后探究了深度学习方法在离线数据集上进行跌倒检测应用的可能性,并设计开发了在线的跌倒检测系统。首先,本文在离线的CSI数据集上用多种深度学习的算法进行跌倒检测的分析。实验结果表明相对于卷积神经网络,循环神经网络能更好的捕捉到CSI的特征从而得到更好的检测效果。在两种RNN中,GRU与LSTM对比能得到更好的收敛性,两者都在WAR数据集上能得到93%左右的预测准确度。其次,本文设计并开发了在线的跌倒检测系统On-Fall,使用者不需要携带任何设备就能够检测到跌倒动作。本文在Wi-Fall工作的基础上,我们用了数据集扩充算法来增强数据集,并在特征提取方面用了主成分分析法来降低特征维度和降噪,使得分类准确度更高。利用滑动窗口算法取代了LOF异常检测算法来进行动作分割,得到了约1秒的检测时延。最后,本文针对整个系统的准确性,实时性鲁棒性和局限性做了完整的性能评测。整个系统可以达到平均92%的准确率与1秒的时延。不同环境下的实验结果表明系统强依赖于收集数据的实验环境与收集CSI的信号质量。这给实际中跌倒检测系统的部署带来了困难。