近年来,智能仿生腿成为机器人学、康复医学和生物医学备受关注的研究课题,智能仿生腿的核心是步态识别算法的研究,其在仿生腿的控制,康复助残领域具有重要意义。已有的步态识别研究存在着:缺乏生物信息交互导致的意图识别问题,缺乏更贴近现实场景的行走研究问题,基于表面肌电信号的步态识别算法精度较低的问题以及复杂环境的算法鲁棒性问题。对此,本文展开了如下研究工作:(1)合理地设计数据获取实验和预处理方法。在实验数据的获取上,本文设计了简单行走、不同步速下行走以及认知任务下行走的实验,以表面肌电信号作为信号源对步行过程进行分析研究。在信号预处理上,本文采用了梳形滤波器和带通滤波器有效的滤除表面肌电信号中的心电噪声以及硬件的工频噪声,相较于传统的经验模态分解去噪的方法,能更有效的滤除信号噪声。(2)特征提取研究及分析。本文对步行过程的表面肌电信号进行了全面的特征提取,特征提取包括时域特征,频域特征,时频域特征以及熵特征。为了有效解决特征冗余的问题,本文采用相关空间可分性指标并提出鲁棒性分析指标,对基于下肢大腿关键肌肉的表面肌电信号特征进行定量的评估和筛选,选出最优特征组为斜率变化率(SSC)、方差对数(Logvar)、威尔逊幅值(Wamp)、波长(WL)、时频域特征(DB7-MAV)以及模糊近似熵特征(FuzzyApEn),有效的提升步态识别算法的精度和运算效率。(3)步态分析及步态识别算法的研究。本文对不同环境下的行走数据和特征进行对比分析,分析表明步速过慢或者过快会使得支撑相和摇摆相细分阶段的分类边界模糊,导致稳态误差的增大,而认知任务下的行走会影响各个步态阶段,尤其在支撑相和摇摆相的过渡期边界模糊,导致过渡误差的增大。基于上述分析,本文采用一种基于核方法优化的线性判别分析,有效地减少步速和认知任务对步态识别的影响,并在此基础上,根据所选特征“好而不同”的特点,利用非线性集成学习Stacking的方法有效提升整体的识别精度和算法的泛化能力,使得简单行走下的步态识别精度达到94.7%,复杂行走下的步态识别精度达到92.7%,识别速度约为85ms,相比于传统算法提升了3个百分点。算法的鲁棒性较好,满足步态识别算法的实时性要求,研究结果对下肢模式识别应用具有重要的价值。