可穿戴人体外骨骼系统是一个人机耦合的系统，将人的智能和机械外骨骼的强度结合在一起，融入了先进控制、信息、通信等技术。要顺利完成人机耦合这个目标，需要让外骨骼的动作和穿戴者的人体动作达到同步的效果，这就需要进行步态识别和跟踪，本文将采用机器学习技术来探索实现这一目标。首先，针对人群进行步态分析，了解个人步态周期（复步）的变化情况，量化步态周期中支撑状态和摆动状态的比例分布，并进一步详细分析支撑和摆动阶段的步态变化，达到精准判断和预判的目的。其次，机器学习包括聚类、分类、关联规则等诸多算法，本文的目的在于应用分类技术对步态进行识别。但是，分类学习属于监督学习，需要在训练数据中给出精确的分类输出，所以在训练分类器之前还需要对外骨骼服原始样本数据进行属性选择和异常检测分析，去除不好的属性和异常样本，以便增强分类器的准确性和鲁棒性。再次，准备好训练数据以后，针对不同分类算法，进行仿真分析，对比分类结果，再综合考虑分类器的识别精度、实现难度、可扩展性以及鲁棒性，选择合适算法嵌入感知控制回路。最后，根据仿真分析结果，在外骨骼上完成传感器布局，搭建完整的感知子系统，并实现机器学习分类模型，为控制系统提供决策输出，并分析机器学习技术在外骨骼中的应用前景以及不同分类模型的应用价值和在线学习系统实现的可能性。仿真结果显示，机器学习分类器可准确地分类测试数据，正确率可达95%以上，步态阶段较多时临界样本分类有误；聚类和关联分析的结果对前期数据挖掘和后期感知子系统的智能反馈也有重要的价值。有效利用这些数据可以达到人机耦合；实时在线聚类、分类下肢动作数据，就可以让感知子系统准确地判断情景。