人体表面肌电信号能够提前反应人体运动意图,被广泛用于假肢及外骨骼控制,对肌电信号的准确识别,能为后续精准控制假肢奠定基础。目前,对肌电信号动作识别研究多停留于上肢肌电手势识别,而对下肢肌电动作识别的研究不够深入,极大限制了外骨骼及假肢在下肢康复领域的应用。针对上述问题,论文开展下肢肌电动作识别研究,建立完整下肢运动模式识别模型,设计下肢肌电信号采集实验平台,并利用获取数据集进行模型有效性验证,主要内容如下。论文通过对人体下肢日常动作分析,设计多种下肢运动模式的肌电信号综合采集实验。经由对肌电号噪声来源分析,提出一种基于模态分解的小波变换信号预处理方法,该方法可有效对采集信号进行增强和降噪,为后续动作分类提供较好的数据集。对降噪信号进行特征提取,选用10种常用特征及其组合特征分别输入至不同分类器中进行下肢姿态识别,探寻影响识别准确率的关键成分。此外,采用降维技术对关键特征进行维数简约,并将低维特征输入至分类器中进行识别。实验证明结果表明传统极限学习机与主成分分析法（PCA）的组合方案在下肢姿态识别更具优势。针对传统极限学习机分类器仍在不足,提出一种极限学习机增强学习模型,该方法基于分层分析思路,构造多个极限学习机,通过分层对Ada Boost输出结果进行预测而获取人体下肢运动意图。下肢运动识别实验结果表明,所提方法提高了下肢肌电动作的识别准确率。探究卷积神经网络（CNN）深度方法在下肢姿势识别中的应用。利用短时傅里叶变换和窗口函数将表面肌电数据转换为频谱图,组合频谱图与肌电图后将其作为CNN的验证数据集;构建CNN网络框架;随机选取部分实验数据训练CNN网络,并将剩余样本输入至训练好的CNN模型中进行测试。实验结果证实了CNN在下肢运动意图识别中的可行性。