Con la promoción continua de las subestaciones inteligentes, la detección de caídas del personal se ha convertido en un problema clave en la detección automática de subestaciones. Lesiones y peligros para la seguridad causados por caídas entre el personal de subestaciones son numerosos. Si se puede dar una respuesta oportuna en caso de una caída, las lesiones causadas por caídas pueden reducirse. Para abordar los problemas de baja precisión y pobre rendimiento en tiempo real en la detección de caídas humanas en escenarios de subestaciones complejos, este documento propone un algoritmo mejorado basado en YOLOX. Se introduce un módulo de extracción de características personalizado en la red de fusión de características YOLOX para extraer diversas características multiescala. Se agrega un módulo convolucional con compuerta recursiva a la cabeza para mejorar el poder expresivo de las características. Mientras tanto, se utiliza la función de pérdida SIoU (Intersección suave sobre Unión) para proporcionar información de posición más precisa para las cajas delimitadoras, mejorando así la precisión del modelo. Los resultados experimentales muestran que el algoritmo mejorado logra un valor de mAP del 78.45%, que es una mejora del 1.31% sobre el YOLOX original. En comparación con otros algoritmos similares, el algoritmo propuesto logra una predicción de alta precisión de caídas humanas con menos parámetros, demostrando su efectividad.