近年来,随着人口老龄化的加剧,由中风或者受伤导致下肢运动障碍的人越来越多。利用下肢外骨骼辅助康复训练可以帮助行动不便的人重新获得行走能力,具有很高的应用价值。特定的外骨骼控制跟踪策略往往需要大量的步态数据和步态轨迹数据用于设计和训练。数据收集的高成本或隐私等问题导致人体步态数据非常稀缺,这将影响控制器或模型的性能。本研究提出了基于生成对抗网络（GAN）的数据增强方法,以生成大量合成的步态数据,减轻数据采集的负担。同时提出基于注意力机制的步态轨迹预测模型,用于对真实和合成的步态数据进行步态轨迹预测,提高预测精度,为外骨骼跟踪控制器提供及时的步态轨迹数据。实验结果表明:本研究所构建的数据增强模型能够合成逼真的多维人体步态数据;注意力预测模型能够更好地学习历史步态数据之间的依赖能力,准确地预测步态轨迹中关节角度的当前值。主要研究内容有:（1）通过运动捕捉系统获取真实的人体步态数据,考虑在采集过程中由于环境和设备的影响导致的数据缺失等问题,对原始数据进行预处理来获得有效的原始步态数据。（2）针对大量人体步态数据难以获取的问题,本研究提出一种基于生成对抗网络的人体步态数据增强模型。该模型同时优化重组损失、对抗损失、监督损失和无监督损失来考虑多维数据之间的相关性,以合成仿真的人体步态数据并保留原始步态数据的动态特性。我们采用多种相似度度量方法对合成数据进行验证。实验结果表明提出的步态数据增强模型可以合成与原始步态数据相似的多维人体步态数据。（3）为了给下肢康复机器人控制跟踪策略提供及时的步态轨迹值,构建两种步态轨迹预测模型:LSTM预测模型和注意力机制预测模型。真实步态数据和合成的步态数据输入到构建的预测模型中对步态轨迹进行预测。实验结果表明基于注意力机制的预测模型具有较强的特征表达能力,表现出比LSTM模型更高的预测性能。