近年来,由于疾病、意外事故等导致的肢体运动功能障碍的患者逐年增多,对患者的家庭以及社会都造成了不同程度的影响。目前,康复机器人训练系统是患者进行康复的主要手段,然而现有的康复训练系统多是机械的,缺乏患者的主动参与,为了提高患者的主动参与度,基于表面肌电信号（surface Electromygraphy,s EMG）和脑电信号（Electroencephalogram,EEG）的动作识别成为康复机器人辅助康复训练的研究热点。本文基于s EMG和EEG的特征融合对下肢动作识别开展研究,用于提高患者在进行下肢康复训练时的主动参与度。采集志愿者在执行下肢康复动作时的表面肌电信号和脑电信号,对信号进行降噪预处理,特征提取和特征优化,通过改进遗传算法-支持向量机对优化的特征进行分类,分别构建了基于s EMG、基于EEG与基于s EMG和EEG特征融合的离线下肢动作识别模型,并基于下肢康复机器人平台实现了在线动作识别。主要工作如下:首先,根据人体下肢的肌群以及主要的动作,结合患者在日常生活中的动作需求,确定了6种下肢动作,设计了s EMG和EEG信号的实验采集方案,并将采集的信号做预处理。在s EMG信号的预处理过程中,设计了一种复合型滤波器,将小波阈值、小波数字滤波阈值与陷波器相结合,去除信号中的基线漂移、高频噪声、低频噪声以及工频干扰,得到了光滑的s EMG信号。在EEG信号的预处理过程中,通过EEGLAB工具箱对信号进行了基线校正、1-100Hz的带通滤波、工频干扰的去除,并通过ICA去除了肌电伪迹等,得到了光滑的EEG信号。其次,针对表面肌电信号在特征提取过程中特征的冗余度高、区分度小的问题,提出了一种基于肌肉与运动相关度的加权特征优化算法。从特征的差异性角度出发,分析不同动作下肌肉之间的协同作用,计算每块肌肉对每种动作的贡献度,得出每块肌肉对不同动作的相关系数,赋予每个通道的特征不同的权重,完成特征优化,下肢动作平均识别率相对于特征优化前提升了6.15%。再次,分别构建了3种下肢动作识别的离线模型。针对s EMG信号的下肢动作识别,通过分帧能量法来提取动作的主要特征段;并在主特征段中提取了常用的3种时域特征和1种时频域特征,经过加权特征优化算法,得到最优融合特征;同时为了实现动作识别特征的准确分类,设计了改进的遗传算法-支持向量机分类器,利用基于锦标赛和排序相结合的迭代寻优方法,获得了更少的迭代寻优次数,找到了更高适应度准确率的参数,并且解决了遗传算法的选择算子易陷入局部最优解的难题,最终实现的6种下肢动作平均识别率为94.75%。针对EEG信号的下肢动作识别,提取了2种频域特征与样本熵特征,通过改进的遗传算法-支持向量机分类器对动作识别特征进行分类,得到的平均识别率为51.7%。由于s EMG与EEG信号之间存在协同互补作用,因此研究基于s EMG和EEG特征融合的下肢动作识别,将所提取的两种信号的上述动作识别特征进行融合,考虑到基于s EMG的下肢动作识别率高,基于EEG的下肢动作识别率低,按照动作识别率的高低,将两种信号的特征进行融合得到融合特征向量,然后输入改进的遗传算法-支持向量机进行分类,得到的平均识别率为95.45%。最后,为验证所构建的动作识别离线模型的在线应用效果,基于下肢康复机器人平台,建立了在线动作识别平台,并设计了在线的动作识别方法,得到三种离线识别方法的在线识别率分别为72.78%,41.38%,80.83%。同时,利用基于s EMG和EEG特征融合的下肢在线动作识别来实时控制下肢外骨骼机器人,能够有效提高患者的主动参与度,降低康复疲劳,延长训练时间。