为了利用计算机视觉技术准确检测老年人的跌倒状况，针对现有跌倒检测算法中人为设计特征造成的不完备性以及跌倒检测过程中前后景分离困难、目标混淆、运动目标丢失、跌倒检测准确率低等问题，提出了一种融合人体运动信息的深度学习跌倒检测算法对人体跌倒状态进行检测。首先，通过改进YOLOv3网络进行前景与背景的分离，并根据YOLOv3网络的检测结果对前景人体目标进行最小外接矩形标记；其次，分析人体跌倒过程中的运动特征，将人体运动特征向量化并通过Sigmoid激活函数转化为0到1之间的运动权重信息；最后，通过全连接层将将运动特征与卷积神经网络（CNN）提取的特征进行拼接和融合从而实现人体跌倒分类判别。将所提跌倒检测算法与背景差分、高斯混合、VIBE、方向梯度直方图（HOG）等人体目标检测算法及阈值法、分级法、支持向量机（SVM）分类和CNN分类等人体跌倒判断方案进行了对比实验，并将所提跌倒检测算法在不同光照条件下和混合日常噪声运动干扰下进行了实验，结果表明所提算法在环境适应性和跌倒检测准确率上都优于传统的人体跌倒检测方法。该算法能有效检测出视频中的人体并对人体跌倒状态进行准确检测，进一步验证了融合运动信息的深度学习识别方法在视频跌倒行为分析上的可行性与高效性。