Las caídas pueden causar un daño significativo e incluso la muerte a las personas mayores. Por lo tanto, es crucial contar con un modelo de detección de caídas altamente preciso que pueda detectar y responder rápidamente a los cambios de postura. El modelo YOLOv8 puede no abordar de manera efectiva los desafíos planteados por la deformación, los objetivos de diferentes escalas y la oclusión en escenas complejas durante las caídas humanas. Este documento presentó ESD-YOLO, un nuevo modelo de detección de caídas de alta precisión basado en convolución dinámica que mejora el modelo YOLOv8. El módulo C2f en la red principal fue reemplazado por el módulo C2Dv3 para mejorar la capacidad de la red de capturar detalles y deformaciones complejas. La sección Neck utilizó el bloque DyHead para unificar múltiples operaciones de atención, mejorando la precisión de detección de objetivos en diferentes escalas y mejorando el rendimiento en casos de oclusión. Además, el algoritmo propuesto en este documento utilizó la función de pérdida EASlideloss para aumentar el enfoque del modelo en muestras difíciles y resolver el problema del desequilibrio de muestras. Los resultados experimentales demostraron un aumento del 1.9% en precisión, un aumento del 4.1% en recall, un aumento del 4.3% en mAP0.5 y un aumento del 2.8% en mAP0.5:0.95 en comparación con YOLOv8. Específicamente, ha mejorado significativamente la precisión de detección de caídas humanas en escenas complejas.