空巢老人的身体条件较差,一旦发生跌倒事件,会导致严重的健康安全问题,因此开发有效的跌倒检测算法,可以及时预警,减少对空巢老人的危害。基于雷达传感器的非接触式人体跌倒检测是近几年发展起来的一种新兴的检测技术,和其他的传感器相比,基于调频连续波（Frequency Modulated Continuous Wave,FMCW）雷达的人体跌倒检测具有较强的穿透性、保护个人隐私以及不会遭受来自光线和温度因素干扰的优点。现有的大部分文献是基于单一数据域结合深度学习的方法对人体跌倒进行研究,然而单一数据域只利用雷达信号的局部信息而忽视了其他数据域中的信息,因此研究了雷达信号的不同数据表示域并加以融合,用于提高跌倒识别准确率。此外,现有大部分文献将雷达信号解析成光学图像,无法充分利用数据间的时序特征信息,于是将雷达信号解析成序列信号进行研究。本文主要的工作内容如下:（1）针对单一数据域存在信息表征不全的问题,提出了一种基于双域融合图和长短时记忆（Long and Short Term Memory,LSTM）网络的人体单向跌倒检测方法。该方法首先将距离-时间图和微多普勒图在通道处拼接形成双域融合图来加强数据域特征表示,接着将双域融合图进行7等分形成序列信号,最后使用LSTM网络提取时序特征并完成对跌倒的检测。采用公开的格拉斯哥大学人体活动数据集构建人体单向跌倒数据集,根据不同的输入图像和特征提取方式设计了4组对比实验,通过实验结果表明,和单一数据域的最佳效果相比,所提方法的跌倒识别准确率提高了1.03%,可达98.45%。（2）进一步研究了人体多向跌倒与其他人体活动的混淆情况,针对微多普勒图特征识别人体多向跌倒的局限性,提出一种基于LSTM网络融合微多普勒图特征和距离-多普勒图特征的人体多向跌倒检测方法。该方法将微多普勒图和距离-多普勒图按照切分策略形成序列信号,使用LSTM网络分别提取两种图像的时序特征并在输出处进行拼接融合从而完成对跌倒的检测。由5个实验对象通过采集不同方向的跌倒动作和6种复杂的人体活动构建了人体多向跌倒数据集,根据不同的输入图像和切分策略设计了9组对比实验,实验结果表明,相比于单一特征方法的最佳效果,所提方法在基于4+3等分的切分策略时跌倒识别准确率提高了2.59%,达93.97%。