目前，人体姿态检测的手段主要有两种：基于计算机视觉的人体姿态检测系统和基于MEMS技术的人体姿态检测系统。
基于计算机视觉的人体姿态检测系统，通过特定空间中分布的高频摄像头获取视频序列，然后对视频序列进行预处理、特征参数提取、步态识别等操作，根据实验获取的步态数据库给出人体姿态的辨识结果。这种检测手段的姿态识别方法主要分为三类：基于统计的识别方法、基于模板的识别方法和基于语法的识别方法。21692
基于统计的姿态识别方法是动态识别系统中效果最好的方法，目前主要分为：隐马尔可夫模型[5]和动态贝叶斯网络[6]。隐马尔可夫模型是目前应用最广泛的一种方法，但它只适合于描述单个运动物体的系统，并且该方法对信息的融合效果较差，由此带来的误差参数叠加会降低模型参数的精度；动态贝叶斯网络是近年发展起来的统计模型，能够学习变量间的概率依存关系及其随时间变化的规律，具有很好的可扩展性和可解释性，对于多信息融合推理、多物体动态系统识别非常有效，是人体姿态识别今后发展的方向，但这样的系统需要大量的特征参数，导致该方法的计算量大，复杂度高。
基于模板的姿态识别方法分为：模板匹配法[7]、动态时空规整法[8]和动态规划法[9]。论文网
基于语法的方法主要有有限状态机[10]和上下文无关的文法[11]。
基于计算机视觉的姿态检测算法较复杂、系统庞大、实时性差。随着微机电系统（MEMS）技术的发展，在姿态检测系统上应用传感器的的条件变得成熟，为姿态检测提供了一种更简便、经济、实用的途径。
2005意大利研究者Angelo M.Sabatini、Chiara Martelloni等人开发出了一套基于脚部惯性传感器的步态分析系统。该系统的惯性测量单元由一个双轴加速度计和一个速率陀螺仪组成。通过在几个受控的速度和坡度值条件下的跑步机行走实验解释了脚部惯性传感方法在评估行走速度和倾斜角度上的精确性[12]。
2011年日本研究者Hiromichi Maki,Hidekuni Ogawa等人开发出了一套基于三轴加速度计的独居老人日常活动远程监测系统。这一监测系统由一个三轴加速度计，751个低功耗有源滤波器，一个低功耗的八位微控制器（MC），一片1GB的SD存储卡（SDMC）以及一部2.4GHz低发射功率手机组成（PHS）[13]。该系统可以通过它发射系统向监护者手机实时发送老人的心率、呼吸频率、活动、姿态等信息，便于监护者根据信息及时了解老人的健康状况，并据此采取及时的措施来帮助来老人。
目前，国外对利用加速度信号研究人体姿态识别和分类的相关理论研究较多，跌倒检测只是其中的一个识别类[14-16]。这类研究的重点主要是姿态识别的准确率，较少考虑识别的实时性。
国内方面，2010年天津大学的曹玉珍、蔡伟超、程旸开发出了一套基于MEMS加速度传感器的人体姿态检测技术，采用人体加速度向量幅值（SVM）和微分加速度的绝对平均值 （MADS）描述人体运动状态进而做出跌倒判断。为了兼顾实时性和准确率，系统设计采用了基于三轴加速度计的多级人体跌倒探测算法，支持自动定位和远程报警[17]。当系统检测到人体处于跌倒状态时会利用GPSOne技术自动定位，并通过手机短信报警。  
由于我国MEMS技术发展落后于国外，基于MEMS惯性元件的人体姿态检测系统的尚处于起步阶段。近年来呈现飞速发展状态，研究大都是在国外技术、原理基础之上，通过优化设计检测算法、全面化检测功能，达到对系统的升级、丰富系统功能以及人性化要求。期间涌现出了很多优秀的设计，拟补了国内外研究的空缺。 人体姿态检测系统国内外研究现状:http://www.751com.cn/yanjiu/lunwen_14027.html