近年来，家庭监护及康复领域引起广泛关注，尤其随着人口老龄化和空巢化趋势的加剧，医护人员的大量短缺，研究一种精度高，稳定性好、实时性强的人体跌倒检测系统变得越来越重要。目前大多数成熟的跌倒检测技术多是基于加速度传感器或可穿戴式传感器，但长期佩戴会对于身体产生不适的影响，无法保证跌倒检测的有效性。传统的计算机图像处理研究方法缺乏灵活性，复杂的算法极大地影响了实时性的检测要求，依赖特定场景，不具有普适性。　　Kinect传感器的普及为家庭护理和医疗辅助领域带来了很多新思路。本文结合Kinect传感器的彩色，骨骼和深度数据流分别提出了人体跌倒检测系统的设计方法。基于RGB视觉的头部定位算法利用跟踪定位人体头部运动情况检测跌倒。通过对人体骨骼数据的分析计算，提取关键关节点的运动参数，获取最优阈值，进行跌倒行为检测。为提高系统鲁棒性和检测率，经过深度图像采集和预处理，提出了基于Kinect深度图像的人体分割算法，实现了完整连续人体轮廓的分割及椭圆拟合，通过计算形状参数变化率并结合骨骼关节点信息进行跌倒判别。利用Kinect传感器音频识别特性，设计跌倒判定后的人机语音交互模块。　　经过大量不同室内环境的测试，在不同光照，对象和跌倒情况下，本文提出的检测方法检测率平均可达到96.3％，平均每帧图像处理时间为0.0182s，同时满足了精度高和实时性好的要求。