随着外骨骼设计技术的逐渐成熟,外骨骼不仅用于瘫痪等疾病的康复治疗,也逐渐应用于提高工人的工作能力,增加人体的力量和耐力等方面。因此对于外骨骼控制的精准性和鲁棒性是更高的挑战。本文研究的目的是基于表面肌电数据的采集和特征分析,提出动作意图识别和关节角度预测算法,实现骨关节运动的精确预测,为外骨骼的运动控制提供基础数据。首先根据下肢骨骼肌肉系统的运动特性建立下肢运动学实验测量模型,进行6种单关节运动和3种速度的步态运动实验测试,利用NDI运动捕捉系统和表面肌电采集系统同步采集运动跟踪数据和肌电信号;然后对获得的sEMG（Surface Electromyography）数据进行滤波、分段等预处理及PCA特征参数分析,并计算了3个关节的角度历程数据。根据处理和分析结果,确定了对关节运动特征敏感的肌电信号特征值,研究结果为运动意图识别提供了选择依据。本文建立了LDA、SVM和DNN神经网络模型,利用三种模型进行了人体下肢单关节运动意图识别。对比分析结果表明,DNN网络模型在识别正确率和训练时间方面具有优越性。利用DNN网络对6种动作进行意图识别训练和识别可靠性分析,结果表明,识别正确率达到了95.2%,训练时间仅为2.17s。因此本文提出了一种较为可行的意图识别方案,可为后续意图识别研究提供借鉴。同时,本文利用LSTM神经网络使用肌电特征参数和运动数据对步态运动中的关节角度进行预测。通过损失函数、学习率、优化器和dropout值的优化,本文确定了LSTM网络的参数。利用3种速度的步态数据对LSTM网络进行步态中关节运动角度预测训练和预测。结果表明,各速度下的各关节角度的预测结果最大RMSE值为1.587,最大误差率为4.6%,得到的LSTM模型的预测效果较为理想。本文证明了使用LSTM模型对关节角度进行预测的可行性,并且给出了优化调参建议。本文的运动意图识别算法和下肢关节角度预测算法将为外骨骼控制系统提供准确率高和识别速度较快的控制策略,为外骨骼系统的人机耦合性和灵活性做出贡献。