人体表面肌电(surface Electromyography,sEMG)信号是在人体皮肤表面检测到的一种微弱的生物电信号,具有人体运动信息表征能力,通过模式识别算法对sEMG信号和人体运动信息进行建模,可以获取到人体运动的步态、步长信息。这些人体运动信息对于辅助行人导航定位有重要的作用。行人导航定位技术是人类生活中越来越重要的位置信息感知技术,它广泛应用于单兵导航、未知区域探险、室内消防、空间探测等方面。从研究现状来看,sEMG信号在行人导航定位领域的应用还处于探索研究阶段,所研究的步态类型主要集中于平地直走、上楼、下楼等状态,对步态运动的识别主要是各步态独立研究以及对步态细分模式的研究,对于混合步态、复杂步态以及对人体转向步态的研究还较少。因此,本文开展了运用sEMG信号来识别人体下肢步态运动的研究,拓展了人体更多的步态类型,并且研究了混合步态方式的多步态识别,此外,还对人体转向步态进行了探索研究,最后针对更多步态开展了步长估计,主要的研究工作内容包含以下几个方面:(1)搭建了四通道的sEMG信号采集系统,选取了人体下肢的腓肠肌、股直肌、股外侧肌、臀中肌这四种肌肉进行sEMG信号的获取,开展独立步态以及混合步态实验采集了平地直走、上楼、下楼、跑、跳和转向等6种步态模式的sEMG信号。(2)提出了结合带通滤波和自适应小波阈值的sEMG信号滤波算法:BFAWT算法。这种方法对多种肌肉、多步态运动的sEMG信号有良好的自适应性,能够有效的抑制原始sEMG信号中的基线漂移、伪迹噪声、高斯白噪声等。设计了一种基于sEMG能量峰值的活动段检测方法,以改进活动段检测经典的双阈值法(DT法)对不同sEMG信号适应性差的问题。(3)构建了支持向量机以及BP神经网络两种识别算法模型。基于独立步态实验分析了特征向量组合、不同肌肉的sEMG信号性能,开展了混合步态实验研究在复杂步态条件下多种步态的识别率,相比于前人研究了更多的步态,从识别结果来看,在复杂步态条件下,本文对6种步态的平均识别率达到88.36%,在此基础上,本文探索性的研究了人体转向步态,通过设计转向步态实验,发现了sEMG信号在直走与转向步态时序上的差异,将该差异作为特征引入对转向步态的识别,达到99.53%的识别率。最后,本文还研究了基于sEMG的步长估计,在直走步态步长估计的基础上研究了转向步态的步长估计。在16组直走步态实验数据的测试中,步长估计误差不超过0.12m,累计10步的平均步长估计误差在0.06m以内,在对15组转向步态的步长训练实验中,步长估计的误差百分比不超过1.7%,误差值在0.02m以内。通过本文的研究验证了基于sEMG信号的人体复杂步态模式识别、步长估计具有一定的精度和可靠性,为辅助行人自主定位技术研究提供参考。