为提高传统目标检测的识别效果和准确率，并加快运算速度，提出了一种具有更强大特征学习和特征表达能力的卷积神经网络(CNN:Convolutional Neural Network)模型和相关的深度学习训练算法，并将其应用于计算机视觉领域的大规模识别任务。首先详细分析了传统目标检测算法，如V-J(Viola-Jones)检测器、 HOG(Histogram of Oriented Gradients)特征结合SVM(Support Vector Machine)分类器和DPM(Deformable Parts Model)检测器的特点。然后提出了深度学习算法，如RCNN(Region-based Convolutional Neural Networks)算法和YOLO(You Only Look Once)算法，并分析了其在目标检测任务中的应用现状。针对倒地检测任务，使用YOLOv5(You Only Look Once version 5)模型对不同身高体型目标人群的行为进行训练。通过使用不同的交并比(IOU:Intersection over Union)、准确率(Precision,P)、召回率(Recall,R)和PR曲线等评估指标，对YOLOv5模型进行了分析，评估了其在检测站立和倒地两种活动方式的实际效果。同时通过预训练和增强处理，增加了训练样本数量并提高了网络的识别准确率。实验结果表明，倒地识别率达到了86%。可将其应用于灾区探测救援类机器人的设计中，以辅助识别和分类受伤倒地人员，提高灾区救援效率。