根据中国第七次全国人口普查数据,2020年中国人口达14.1亿,65岁及以上人口占比达13.5%,我国人口老龄化进程加快,居家养老将成为未来主要养老模式之一,该模式中异常跌倒是独居老人的最大威胁之一。针对跌倒的事前预防、事中检测、事后评估研究已经成为当前研究热点之一。随着智能视频分析技术的发展,如何快速且准确地识别出监控视频中独居老人异常跌倒行为具有重要的研究意义。本文基于YOLOv5算法提出了一种视频跌倒监控系统方案,最大化利用采集的监控视频,通过跌倒判断和人脸识别,在跌倒发生时及时将老人身份以及跌倒图像报告给家属和医疗机构,便于医疗机构根据跌倒者身份及时采取相应的救护措施。本文的主要研究内容如下:（1）对YOLOv5跌倒识别算法的数据加载策略进行改进,将跌倒识别任务转化为独居老人视频序列目标检测行为分析任务。针对样本不均衡问题（正常行为的样本数会远大于跌倒的样本数）,本文采取了数据重采样的方法,根据不同类别的标签数,在训练时分配不同的类别权重和样本采样频率。另外,本文还在输入端改进了数据增强方式。实验表明,改进的训练样本加载策略可以使得模型的平均精度提升2%。（2）对YOLOv5跌倒识别算法的网络结构进行改进,针对原始YOLOv5s模型识别准确率欠佳的问题,本文在其颈部网络嵌入坐标注意力模块,通过不同方向上的通道加权方式,使网络聚焦于待检测目标区域,以提取目标更多的细节信息,并将该模块引入到改进的双向加权特征融合方式中。另外,本文还改进了原始YOLOv5模型的损失函数,舍弃原始的CIo U损失函数,使用alpha-Io U损失函数。实验表明,改进后的网络模型与原始模型相比较,在不添加很大计算成本的情况下,提高了模型的检测性能,满足系统对检测精度和速度的要求。（3）基于本文所改进的YOLOv5算法,设计和实现了一种新型的视频跌倒监控系统方案,采集室内环境下的监控视频,可以实现跌倒动作与身份信息的识别功能,检测精度较高并且具有实时性,满足日常使用要求,达到预期设计要求。