随着世界老龄化进程的加剧,人口呈现出老龄化、高龄化、空巢化三大特征,这给国家和社会带来了巨大的压力,引起了整个国际社会的关注。摔倒是老年人常常发生的意外,因此老年人摔倒检测已经成为目前国内外研究的热点,具有很高的研究价值和应用意义。因此,在不影响老年人正常生活的前提下,正确的区分老年人跌倒事件与正常的生活行为,能够有效的提高老年人的生活质量。然而,国内外目前对老年人跌倒检测的研究尚存在一些问题：比如缺乏考虑个体与个体之间的差异,对于所有的检测个体常常使用统一的模型,设定相同的检测阈值；对于与跌倒过程相似的状态在识别的时候误判率比较高等。本文致力于研究摔倒过程中的个性化特征,通过实验的手段验证个性化特征的有效性。在此基础上,针对不同的个体选择不同的特征,建立个性化的分类模型,进一步提高检测的准确率。论文的主要成果如下：(1)通过实验的方法分析不同个体运动姿势和动作幅度的差异,以及不同个体在跌倒过程中加速度显著变化的部位差异。针对个体间存在的特征差异,对不同的检测个体在不同的部位提取特征。(2)由于人体运动是一个高度复杂的过程,为了从原始数据中挖掘出更多有用的信息,本文使用在人体多个部位佩戴传感器的方法,并将这些传感器采集到的信息进行组合和统计。在此基础上,利用特征分析和选择方法,验证了被检测对象间的个体差异,进行人体摔倒检测时针对具体对象,提取不同的特征。(3)对于特定检测个体,通用模型往往具有检测率低和虚警率高的问题。本论文使用特定个体的训练数据建立的个性化分类模型,利用贝叶斯框架特征选择算法和机器学习算法实现摔倒检测,提高针对特定个体的检测率、降低虚警率