人体步态感知算法已经在步态监测,步态康复,行走助力等方面得到了广泛应用。然而,现有的步态感知算法大都存在局限,即仅关注直线步态和人体矢状面内的运动,难以实现对转弯步态等非直线、非对称步态的感知,这极大地限制了步态感知算法的应用。对转弯步态的感知主要包括:对直行到变向过渡期的感知,即对转弯步态的预测;对转弯步态特征的感知,即对转弯步态的识别。因此,研究转弯步态的运动特性及转弯步态的预测及识别算法对于完善步态感知算法,扩展可穿戴式系统的应用具有重要意义。针对现有步态感知算法无法对转弯步态进行预测及识别的问题,本文研究了转弯步态的人体运动特性,据此提出了可穿戴式的惯导系统布置方案,结合PSO算法提出了基于启发式特征的转弯步态的预测算法,结合监督式学习对转弯步态识别算法进行了研究,并通过在线步态实验对算法进行了优化和验证。具体开展了如下研究:首先,建立了人体下肢运动学模型,进行了步态试验并对试验数据进行了处理,获得了人体主要部位和下肢主要关节的运动学参数并建立了步态样本库;通过方差分析及相关性分析筛选出了转弯时具有显著特性的运动特征,进而通过对比分析同步态周期下直行与转弯过程中这些特征的变化曲线,总结了不同转弯方式下转弯步态的运动特性,解决了目前对人体转弯步态运动特性认知不足的问题。其次,基于人体转弯步态的运动特性,确定了转弯步态预测及识别算法的输入特征以及惯导的选择和布置;利用粒子群算法确定了转弯步态预测的启发式特征,基于此提出了三层判断结构的转弯步态预测算法;应用监督式学习对转弯步态识别模型进行了训练,利用惯导的步态样本集分别训练了判别分析、决策树、支持向量机和神经网络分类器模型,并通过交叉验证法对模型进行了评价,确定了应用BP神经网络的转弯步态识别模型,解决了目前缺少转弯步态预测及识别算法的问题。最后,为了对算法性能进行科学的评价,设计了在线验证实验,确定了准确性和时效性的评价指标,分别进行了单次定点转弯行走实验和连续不定点转弯行走实验,对转弯步态的预测及识别算法进行了分别评价,并根据结果对惯导布置及算法进行了分别优化,最后,通过实验对比验证,优化后的算法具有较好的精度和速度。