21世纪以来,我国出生率逐年降低以及老龄人口不断增加,养老机构资源稀缺严重,居家养老将成为一种重要方式。大数据显示,突发性疾病异常摔倒是导致居家独处老人伤亡的主要原因之一,家庭监控场景下,居家独处老人异常摔倒检测是当前视频分析研究热点之一。论文基于YOLOv3目标检测算法设计了一款居家老人摔倒检测系统,重点研究将目标检测应用于居家养老服务的应用场景中。通过采集老人日常活动视频,对老人摔倒行为进行实时识别,一旦发现异常,即刻将老人位置和异常摔倒信息同时发送给监护人和社区医护人员,及时主动救援,减少老人因摔倒引发的伤害。由于家庭场景复杂,未来居家老人数量庞大,这就对系统识别的精度要求极高。YOLOv3目标检测算法相比于传统目标检测算法与其他几种主流的基于深度学习的目标检测算法,其检测速率有一定的优势,因此本文对YOLOv3的网络架构进行改进,实验验证表明系统性能达到预期设计要求,具体主要工作如下:（1）介绍了老年人摔倒检测的研究背景与意义、国内外的研究现状,对传统目标检测算法与基于深度学习的目标检测算法进行研究,介绍了深度学习相关的基本理论和网络结构,对几种目标检测算法进行对比与分析,提出本文基于深度学习神经网络的YOLOv3架构的改进算法。（2）在YOLOv3目标检测算法的网络结构基础上,将BN（Batch Normalization）层合并到前面的卷积层中,以此来提升摔倒检测模型前向推断的速度。首先,将测试阶段的BN层等效替换为一个1×1卷积层,再将BN层与其前面的卷积层融合,得到融合后卷积层新的权重矩阵和偏置项。此时,可以删除网络的BN层,只使用卷积层,使用调整后的新的权重和偏置项,通过更改网络结构的属性配置文件后对标记样本数据集进行训练和测试。实验表明,改进后的YOLOv3算法的摔倒检测准确率基本不变,但是改善了模型前后推理时间,明显提高了检测速度,且具有良好的鲁棒性。（3）对YOLOv3目标检测算法的损失函数进行了改进,在YOLOv3目标检测算法的损失函数中,Io U（Intersection over Union）用于计算位置信息损失函数,由于在计算位置信息损失函数时,Io U无法直接优化预测框与真实框没有重叠部分的问题,论文采用GIo U（Generalized Intersection over Union）进行替代,取得了较好的检测效果。