表面肌电信号(Surface Electromyography，sEMG)是骨骼肌随意收缩期间，活跃的运动单元产生的，可通过表面电极进行拾取。肌电信号与肌肉的活动状态和运动的功能状态之间存在着关联性，它包含相关运动单元的组合及分解、运动意图和神经肌肉系统生理学状态信息，被广泛应用在假肢控制、人机交互、骨骼参数预测和神经肌肉疾病诊断等方面。不同的肢体动作间的差异可通过肌电信号的特征来体现，对这些特征的研究，有助于进行下肢行走状态的识别和分析。本文以实验获取的人体下肢表面肌电信号为研究对象，研究基于肌电信号的下肢步态特征提取及其识别方法。通过信号消噪、特征提取与分类、模式识别等技术手段，实现对下肢步态的有效识别。本文主要工作包括：(1)针对肌电信号非线性、非平稳、非周期的特点，设计了基于多尺度熵的表面肌电信号特征提取方法，实现了表面肌电信号在不同尺度上的复杂性测度。同时通过提取肌电信号的积分肌电值、绝对值方差时域特征，得到了特征向量的样本集。(2)针对支持向量机的参数优化问题，构建PSO-SVM的分类器，采用PSO对SVM进行参数优化选择，优化支持向量机的惩罚参数和核函数参数。并对优化前后的步态识别结果进行比较，发现PSO-SVM优化方法，在明显提高步态识别率的同时，兼顾了分类的准确性和自适应性。(3)针对步态特异性和个体差异性问题，通过对采集的实际步态运动数据进行统计分析，研究了人体行走时存在步态周期非均匀性（非等时性）特点，并通过对不同步态周期长度数据进行分组识别，详细讨论了这一现象对步态识别率的影响。本文系统研究了下肢步态行走中的特征提取和模式识别问题。通过肌电信号的实验数据采集和识别算法分析，有效提取了肌电信号的时域和非线性特征；通过参数优化方法，明显提高了支持向量机的步态识别率；并分析讨论了步态周期的非均匀性特点及其对识别结果的影响。这些工作对于人体下肢运动功能检测与评价，以及智能康复辅助设备研发，具有重要的应用价值。