针对目前膝盖骨性关节炎（Osteoarthritis，简称OA）发病率高，传统的诊断方法缺乏便携性、价格昂贵、存在放射性危害等局限性。本课题提出了一种利用声发射(Acoustic Emission，简称AE)信号对膝盖骨性关节炎进行诊断的方法。该课题的研究包括了声发射信号采集系统的研究，声发射信号去噪方法的研究，智能诊断方法的研究以及膝盖骨性关节炎与致病因素之间的相关性。结合了传感器技术、计算机技术、通信技术、去噪技术及智能诊断技术。本文所研制的“膝关节声发射信号采集系统”是由下位机系统和上位机系统组成。下位机系统包括声发射传感器、信号调理模块。两种模块的组合实现了对膝关节声发射信号的采集、通过USB将采集到的数据传输到上位机，上位机系统主要实现了参数设置、波形显示、数据显示等功能，方便了后续数据的预处理。本文在研究了膝关节声发射信号特点的基础上，首先，介绍了采用FFT进行去噪；然后，分析了各种小波基的优缺点，选择了Sym8波作为最优小波基，计算了最大分解尺度。经小波分析与FFT去噪进行了对比实验。去噪效果表明：使用小波去噪效果优于FFT。最后对特征参数进行了归一化。本文研究了膝关节声发射信号的最大幅度，平均信号电平（ASL），持续时间三种特征参数与年龄，性别，遗传，肥胖，外伤和力，骨密度六种膝盖骨性关节炎致病因素之间的相关性，对比了不同年龄，性别，遗传，肥胖，外伤和力，骨密度的声发射信号的差异性。分析结果表明：这六种致病因素均与膝盖骨性关节炎有一定的相关性。使用ROC曲线（受试者工作曲线）评价了最大幅度，平均信号电平（ASL），持续时间三种参数在诊断效果中取得的良好效果。本文以健康组、轻微膝盖骨性关节炎、严重膝盖骨性关节炎为研究对象，选用了BP神经网络，遗传算法优化BP神经网络，支持向量机三种智能诊断方法对其进行诊断。结果表明：使用三种诊断算法都能得出诊断结果，且诊断效果较准确。相比而言，支持向量机更具有分类快，准确率高的优势。实验室建立的膝盖OA声发射数据库的实验结果表明，使用声发射信号对膝盖骨性关节炎进行诊断，该诊断方法效果好、误差小、能够对膝盖OA患者进行实时检测和早期预测、具有临床价值。