脑卒中是发病率较高的一种脑血管疾病,高死亡率和高致残率给家庭、社会带来巨大负担。脑卒中患者患病后往往引起多种功能障碍,其中运动功能障碍的影响最为广泛。康复治疗是能够降低致残率最有效地治疗方法之一,康复评定是康复治疗的基础,但是由于临床上现有脑卒中患者康复评定方法大多以人工与量表结合的评定方式为主,且操作流程的规范化、系统化无法保证,评价结果也难以满足脑卒中患者康复治疗需求。本文以脑卒中患者为研究对象,建立了一种基于多源信息融合的脑卒中患者康复模型。一是采用s EMG传感器MYO臂环和可穿戴无线运动传感器Shimmer作为数据采集设备,采集Brunnstrom分期III～VI级脑卒中患者做四种康复动作时的s EMG数据和运动数据,进行预处理;二是针对预处理后的运动信号以及s EMG进行特征提取工作,提出了一种基于加权交叉验证的特征选择（W-CVFS）方法进行多源信息融合的特征选择,将每一折交叉验证的分类准确率参与到特征的权重进行处理,提高了特征的泛化能力,更有效地提高了特征权重值的准确性,SVM分类实验结果表明,W-CVFS方法所选择出的特征分类结果为79.17%,优于现有的m RMR方法（66.67%）和ILFS方法（62.50%）,保留了对分类结果影响更大的特征,从而提高脑卒中患者康复模型的分类准确率;三是采用具有三层隐藏层的深度神经网络建立脑卒中患者康复模型,以单纯运动信号特征、单纯s EMG特征和多源信息融合特征为输入,对比脑卒中患者康复模型分类准确率,实验结果表明多源信息融合特征的分类准确率为95.385%,高于输入单纯运动信号特征（81.026%）或单纯s EMG特征（89.744%）的分类结果。对比W-CVFS方法所选择出的前10种特征与全部18种特征的分类情况,结果表明输入18种特征的训练准确率和测试准确率分别为97.331%和96.154%,相比于输入10种特征的训练结果和测试结果,仅提高了0.371%和0.769%,说明仅输入前10种特征可达到较高的分类准确率,减少了数据的处理量,压缩了计算成本。本文建立的基于多源信息融合的脑卒中患者康复模型实现了脑卒中临床Brunnstrom分期表III～VI级的自动评定,克服了人为评定的主观性与评定时间的固定性,为脑卒中患者康复程度的智能客观检测提供了解决方案。