对于独居的老年人来说,跌倒是老年人受伤的首要原因。因此,及时发现老年人跌倒引起了很多研究人员的关注。现有的跌倒监测方法大多基于可穿戴设备。然而大部分老年人并不习惯佩戴此类可穿戴设备,使得基于可穿戴设备的方案难以发挥作用。因此对于老年人跌倒的监测来说,基于非可穿戴设备的跌倒监测方法更为实际。如果不基于可穿戴设备,毫米波技术在姿态识别方面有显著的优势。然而,现有研究主要集中在精密的毫米波设备方面,其复杂性使其很难被应用于监测老年人行为状态的场景中。为了能够在日常生活中发挥出毫米波的优势,本文基于普通的低分辨率毫米波雷达,结合机器学习技术研究跌倒监测问题。本文的主要工作如下:（1）基于一种普通的毫米波雷达,进行了跌倒行为数据采集,实际测试收集并建立了一个跌倒与非跌倒动作样本的数据集,该数据集的信息包括46名不同体格的参与者在4种不同的环境中完成的9种不同动作类型。（2）基于以上数据集,根据人体反射的毫米波信号估计出对应的三维点云,提出了 4种身体姿态特征提取算法进行特征提取。其中2种为身体高度特征提取算法,2种为身体倾角特征提取算法。通过设计的度量实验进行比较来选择最优的身体特征提取算法提取出身体高度和倾角的特征值。（3）基于以上特征值,本文设计了一个基于阈值的跌倒监测模型,来判断跌倒行为。该模型对从毫米波信号中提取的人体姿态特征参数偏差有较大的鲁棒性。实验表明,所提方法对跌倒监测的准确率可达88.6%。