脑卒中患者常因高肌张力或肌肉痉挛而出现足内翻现象,在康复训练时,这种现象容易导致足部关节受损,严重影响其行走功能和康复进程。研究表明,及时诊断并纠正足内翻现象有助于患者恢复步行功能,其中评估足内翻程度是治疗和纠正足内翻的基础,因此,实现足内翻程度的自动检测具有重要的临床应用和研究价值。目前,足内翻程度检测方法一般有传统的临床步态分析、步态视频分析和足底压力系统分析,都存在一些不足之处:传统临床分析依赖专业康复医生的临床经验,而专业医生数量较少;视频分析需要复杂的操作,且一般设备都比较昂贵,难以普及;现有的足底压力的应用得到的结果都比较模糊,一般只是用来识别是否存在足内翻,而不能获取明确而细微的足内翻角度变化。针对以上问题,本文提出一种基于足底压力信号的足内翻角度检测方法,并搭建基于压力信号的足内翻检测平台进行实验验证。本文主要研究工作和贡献如下:首先,通过步态分析跑台系统采集健康人模拟足内翻患者的足底压力信号并进行处理,利用机器学习回归算法建立回归模型,实现足内翻角度检测。结果表明,3种机器学习回归算法对于足内翻角度的检测都显示出较好的可靠性和准确性[决定系数（Determination Coefficient,R2）≥0.80],其中,高斯过程回归（Gaussian Process Regression,GPR）在健康参与者中取得优秀的检测性能,其决定系数平均值（Determination Coefficient,R2）为0.93,均方根误差平均值（Root Mean Square Error,RMSE）为0.67,相比于前人的监测研究更加精细的区分足内翻程度的同时也有较高的准确性,证明基于足底压力信号的足内翻角度检测的方法具有可行性。然后,在高精度跑台验证了足底压力信号可以正确预测足内翻角度的前提下,为了降低检测成本和提高便捷性,我们设计和建立一款基于足底压力的鞋垫式步态监测系统,并采集了脑卒中足内翻患者足底压力信号并进行信号处理,利用机器学习回归算法进行足内翻程度检测。结果表明使用高斯过程回归取得非常优秀的检测性能,平均拟合优度达到98.0%,该结果证明了压力鞋垫系统检测足内翻角度的可靠性,具有临床价值。