可穿戴下肢康复外骨骼机器人已展现出使下肢存在行动障碍的人实现辅助行走、脑中卒等导致下肢运动受损的患者的康复运动等突出的功能,具有广阔的发展前景。人体表面肌电信号（Surface Electromyography,s EMG）能获取肢体运动的生理信息同时可反映了人体的运动意图。因此,利用s EMG,外骨骼机器人可望及时获得患者下肢运动意图,从而控制外骨骼实现与患者的协调康复运动。然而,基于s EMG的步态事件难以精准确定、s EMG的预处理效果不佳、步态识别率低、s EMG信号与下肢运动角度之间的映射规律有待深入探索,为此,论文主要研究基于s EMG的人体下肢运动信号检测及其解码问题,主要工作如下:（1）s EMG信号的采集及人体下肢步态运动的检测。论文在分析人体运动时s EMG信号产生的机理的基础上讨论了其需采集的下肢肌肉块位置,采集了人体正常行走时不同步速下的s EMG信号并同步采集了姿态传感器信号。研究了双脚旋转角度信号确定步态事件的方法,并采用Open Sim生物力学及步态分析软件系统,验证了方法的可行性。实验结果表明,此方法可以快速有效的划分出一个步态周期的s EMG的不同的步态时刻。（2）s EMG信号的预处理。研究了s EMG信号的预处理方法,采用了平移不变量小波消噪法,与传统的小波消噪法相比,此方法对滤除原信号噪声更有效;研究并采取了s EMG的时域和频域特征信息,通过二维图观测不同步态的重叠程度,获取了最优特征信息。（3）人体步态分类的算法研究。研究了基于BP（Back Propagation,BP）神经网络的步态分类,针对其网络稳定性较差、分类精度低等问题,将粒子群优化算法（Particle Swarm Optimization,PSO）和差分进化算法（Differential Evolution,DE）,用粒子迭代寻优替代BP神经网络中的误差边向后传播边修正权系数的训练过程,获得最优的初始权值和阈值,设计并比较了BP、PSO-BP、PSO-DE-BP三种分类算法模型。仿真研究表明,基于PSO-DE-BP算法步态分类精度优于基于PSO-BP和BP算法的步态分类。（4）步态分类实验及角度预测。实验研究了步态的分类,表明PSO-DE-BP的分类效果最优,验证了所研究的步态分类算法的有效性;设定不同歩速时的s EMG信号代表不同强度的s EMG信号,构建不同强度的s EMG信号与脚旋转角度之间的映射关系,采用PSO-DE-BP算法模型,建立映射关系,初步实现了基于s EMG的人体下肢运动信号的解码与角度预测。