人体连续运动模态识别是外骨骼与人进行自然人机交互（Human-robot Interaction,HRI）的关键。表面肌电信号（surface Electromyography,s EMG）产生于人体动作,与人体运动直接相关,蕴含丰富的运动信息。因此,对s EMG信号进行解析,可有效识别人体运动模态。然而,在连续运动过程中,s EMG信号容易受到各种噪声干扰,同时s EMG信号本身具有混沌性、非线性和非平稳性,这使得对连续运动中的模态识别具有一定困难。因此,本研究主要针对人体连续运动过程中的模态识别研究进行展开。首先,在连续运动过程中,并非所有的数据段都蕴含运动信息,因此本研究提出一种能距比的表面肌电信号活动段实时提取方法。该方法提出改进对数能量与距离相关系数的活动段表征方法,并将两种方法结合提出能距比算法。经实验论证,能距比活动段表征方法实时性高、稳定性强,能在下肢表面肌电信号数据流中实时提取活动段,有效提升检测速度,减少冗余信息。但在连续运动过程中,各个肌肉激活时间不一致,并非每个活动段样本窗口都蕴含较多的运动信息。因此,本研究提出一种多通道联合决策策略,该策略可解决实时性与信息量之间的矛盾,使采集的活动段样本窗内能包含更多运动信息。其次,针对连续运动模态识别问题,本文将识别问题划分为常规模态和转换模态两种情况。在常规模态识别下,本研究首先对s EMG信号提取肌肉协同特征和其他常规特征,并采用主成分分析（Principal Component Analysis,PCA）筛选了最优特征向量长度,然后提出一种改进鲸鱼优化算法（Improve whale optimization algorithm,IWOA）,该算法引入非线性控制因子与柯西差分变异策略,提升了收敛速度与精度,避免了陷入局部最优点的问题。最后使用IWOA搜寻支持向量机（Support Vector Machine,SVM）最优参数,并训练了常规模态识别模型。经试验论证PCA-IWOA-SVM算法在常规模态识别上具有较高的准确率和良好的实时性。在转换模态识别上,本研究首先提出一种基于连续小波变换（Continuous Wavelet Transform,CWT）的时频图特征提取方法,该方法能获取s EMG信号多尺度的时频信息,特征更为稳定与丰富,然后将时频图作为残差网络（Residual Network,Res Net）的输入,以对转换模态进行识别。经试验论证,该方法能有效识别连续运动转换模态,具备一定的识别准确率。最后,本研究构建了在线连续运动模态识别系统。该系统能实时读取s EMG信号与足底压力信号数据流,并在内部集成了能距比活动段实时提取算法、PCA-IWOA-SVM常规模态识别算法、CWT-Resnet转换模态识别算法,能对s EMG信号数据流进行实时解析,以识别受试者当前所处模态,为外骨骼运动模式切换提供了信息支持。综上所述,本文对基于下肢s EMG信号的连续运动模态识别研究具有一定借鉴意义与应用价值。