跌倒是日常生活中常见且危险的行为,为减轻跌倒带来的危害,跌倒行为的识别检测成为智能视频监控领域中的一项重要研究课题。随着摄像头监控设备的普及和人工智能技术的发展,基于计算机视觉的跌倒检测是目前研究的热点方向,其中基于骨架信息的检测模型具有数据量小、不易受复杂背景干扰等优点,在人体行为检测方面表现出较好的鲁棒性。然而,在将该检测模型应用于跌倒检测时,在面向多人体目标的骨架序列提取,以及充分利用人体跌倒行为特征以提升检测准确率等方面仍需要进一步研究。因此本文在分析跌倒行为特征的基础上,提出了一种基于骨架信息的人体跌倒检测算法,该算法包括骨架序列数据采集和跌倒行为检测两个部分,并使用Flask技术将该方法部署于云端服务器,实现了一种BS架构的跌倒检测系统。本文的主要工作内容如下:（1）提出了一种面向多人体目标的骨架序列提取方法,该方法对实际场景中的所有人体进行检测和追踪,并分离出每个人体的骨架序列数据。首先使用目标检测算法VFNet识别并定位人体,然后使用多目标追踪算法Deep SORT对人体进行持续追踪,在追踪期间使用多人姿态估计算法HRNet提取人体骨架,最后经持续性追踪可采集到人体骨架序列数据。对于骨架序列提取过程中各阶段算法的选取,分别采用不同网络模型进行对比实验,实验结果表明VFNet、HRNet和Deep SORT是各自阶段最优的算法模型。（2）提出了一种基于改进骨架分区策略的子图加权自适应图卷积网络SI-AGCN（Subgraph＿Importance-Adaptive Graph Convolution Networks,SI-AGCN）,该网络以骨架序列数据为输入进行跌倒行为判决。为降低跌倒和日常行为的混淆度而改进了骨架图的划分策略,提出三分区空间配置策略,并使用子图加权自适应图卷积替换原时空图卷积ST-GCN中的空间图卷积部分,构成本文的SI-AGCN网络。最后,以三种公开跌倒行为数据集为基础,使用姿态估计算法提取并构建跌倒骨架序列数据集Fall-skeleton Dataset,并在该数据集上进行训练和有效性验证实验,实验结果表明,相比于时空图卷积网络ST-GCN,SI-AGCN网络的跌倒检测准确率提升了6.9%,达到了96.4%。（3）采用Flask技术将本文人体跌倒检测算法部署于云端服务器,实现了一种BS架构的跌倒检测系统,该跌倒检测系统分为图像采集终端、云服务器端和Web浏览器三个部分。首先采用阿里云ECS服务器,然后通过Nginx、u WSGI和Flask技术完成跌倒检测算法部署,最后,在实际场景下测试部署后的跌倒检测系统,测试环境为三种光照情况下的单人和多人活动场景,测试结果表明本文人体跌倒检测系统均能满足跌倒检测要求。