基于肌电信号的人体运动意图识别为助力外骨骼人机协作的发展提供了新的可能。其中,步态相位识别在医疗康复及可穿戴机器人领域具有广泛的应用前景。但肌肉疲劳的存在,限制了基于肌电的步态相位识别算法在外骨骼中的应用。在长时间使用下,穿戴者的肌肉疲劳导致肌电信号分布发生改变,使得基于肌电的步态相位识别准确率降低,最终导致外骨骼助力效果受到影响。本文研究步态相位识别的肌肉疲劳快速适配,为踝关节外骨骼控制提供长时间应用下稳定的步态相位识别算法。本文主要内容如下:在实验采集的肌肉疲劳数据集的基础上,定量研究肌肉疲劳对步态相位分类可能产生的影响。基于生理先验知识预定义实验对象可能发生肌肉疲劳的时刻,并以此为边界将数据集划分为非疲劳集与疲劳集,采用多种肌电特征与分类器的组合进行分类测试,通过将分类器在非疲劳中交叉验证的表现与疲劳集作为测试集时的表现进行比较,证明了肌肉疲劳对步态相位分类的显著影响。从多个角度出发,从肌电信号分布的角度对肌肉疲劳的变化趋势进行评估。为了克服高维的肌电数据在数据分布上的复杂性,以分类准确率变化趋势作为指标衡量肌电数据分布差异。将肌电数据集按时序划分为一系列子集,两子集之间的分布差异通过由另一子集训练得到的模型在两子集上的性能表现的差异确定。将一系列结果加权平均后,计算得到肌肉疲劳的变化曲线。结果表明肌肉疲劳在初期变化较快,而在后期进入较稳定的状态。基于数据降维的可视化分析与分布距离对这一结果的合理性进行了验证。提出基于VAE数据生成的肌肉疲劳适配算法,显著提高了步态相位识别算法对于肌肉疲劳的鲁棒性。本文提出的算法通过VAE学习到隐空间中连续分布的肌电特征,在特征维度上通过神经网络建立由非疲劳数据到疲劳数据的映射,进而实现肌肉疲劳状态下的肌电数据生成,通过扩展训练集的方式改善模型在肌肉疲劳下的性能表现。在肌肉疲劳数据集上对本文算法与随机森林、CNN、MCD三种算法进行了对比。结果显示,本文算法相比随机森林与CNN算法在肌肉疲劳下具有更好的性能。与迁移学习中的MCD算法相比,本文算法达到相近的效果,但MCD算法对目标域数据量需求较大,本文算法则更适用于在线应用。将本文算法应用于踝关节外骨骼助力情况,对算法效果进行了在线实验验证。通过踝关节外骨骼对实验对象的行走进行助力,同时应用本文算法与CNN算法进行实时的步态相位识别。对实验中两种算法的准确率以及对肌肉疲劳的鲁棒性进行了对比,结果显示本文算法在肌肉疲劳状态下有着更好的识别性能,说明本文算法具有应用于外骨骼控制的可能性。