随着我国社会与经济的发展,老年人占总人口的比例逐年上升,积极应对人口老龄化已经上升为国家战略。人体机能会随着年龄的增长而逐年下降,下肢运动能力也会随之衰退,这会对老年人的日常生活造成困扰。针对当前评价方法繁琐主观性较强的问题,提出一种老年人下肢健康程度定量评估方法。从而能够对老年人提供更好的服务,具有重要的现实意义。本文的主要内容如下:本文使用光学动作捕捉系统采集受测者在平地步行时的下肢运动学数据,同时Kinect深度传感器同步采集步态视频数据。采用低维矩阵补充算法对下肢运动学数据中部分缺失进行补充,利用像素自适应算法对采集到的步态视频进行预处理,将视频转换为步态轮廓图,为下肢运动能力评价模型的建立提供数据支持。对于补足后的下肢运动学数据,提出一种基于改进条件深度置信网络与长短时记忆网络结合的运动能力分类模型。增加限制玻尔兹曼机连接方式,对传统深度置信网络进行改进,提高网络对时序数据的学习能力。引入自适应算法对条件深度置信网络每层神经元数目进行优化,在此基础上使用长短时记忆网络对条件深度置信网络提取到的特征进行分类,选择最优的网络组合提取下肢运动学数据中的特征。对于步态轮廓图,提出一种基于卷积神经网络与改进降维方法相结合的下肢运动能力评价方法。采用迁移学习对卷积神经网络进行预训练,提高该网络在小数据集的学习能力,提取步态图像特征。将下肢运动学特征与步态图像特征融合后,提出核熵主成分分析和局部切空间排列相结合的降维方法对融合特征进行降维,去除掉冗余特征,并由此建立下肢运动能力评价方法。实验结果表明该方法可以对下肢运动能力进行量化评价,与专业量表GARS-M进行相关性分析,验证了此方法的有效性。最后,根据下肢运动能力评价结果,搭建一个基于Django框架的下肢运动能力评价交互系统,为研究人员收集信息、了解受测者状态和改进算法提供交流平台。