人体肌肉在活动时,由大脑中枢系统发出控制信号,该信号由脊髓神经元的轴突和树突传递到终板区,终板区与肌肉纤维耦合构成肌肉活动的基本运动单位,终板区产生的终板电位改变肌肉细胞膜的通透性,以致在众多肌肉纤维在空间上叠加产生动作电位,即肌电信号,肌电信号与皮肤表面综合反应产生的电信号即表面肌电信号。表面肌电信号蕴含大量与人体运动状态信息以及运动意图信息,可以对其进行处理分析进行人体姿势状态识别。人体下肢步态姿势识别在智能仿生下肢、医疗康复、助老助残等领域具有重要意义。本文结合人体下肢运动实际,以人体下肢关键肌肉的表面肌电信号为研究对象,深入研究和讨论了人体步态运动模式、表面肌电信号、实验采集、信号预处理以及下肢步态和姿势识别算法等方面内容。具体地,本文开展了如下研究工作:首先,阐述了人体下肢步态的运动模式和表面肌电信号的产生机理,分析了表面肌电信号用于人体下肢姿态识别的可行性,并设置信号数据采集实验,采集人体不同下肢姿势以及步行情况下的大腿表面肌电信号,为后续研究提供数据支持。其次,根据表面肌电信号中的噪声干扰,使用了合理的滤波去噪方法,有效降低了原始信号中的噪声干扰。结合表面肌电信号特点,对表面肌电信号进行特征提取,从降噪后的信号中提取一系列时域特征,通过特征筛选确定了以自回归系数、波长、均方根值、平均绝对值的特征组合用于后续下肢表面肌电信号的模式识别以及步态识别,考虑到步态数据具有非平衡分布的性质,使用下采样的方法将原始样本采样至各类别样本数量均衡。然后,使用广泛应用于表面肌电信号模式识别的支持向量机与线性判别分析等经典机器学习算法对所采集信号进行分类识别,针对表面肌电信号不平稳、随机、混沌的特点,使用卷积神经网络对下肢表面肌电信号信号进行非线性特征提取及分类识别。比较分析了卷积神经网络与经典机器学习算法在表面肌电信号的模式识别任务上的表现,分析讨论了不同训练样本量、不同窗长的滑动时间窗对各算法模型效果的影响。最后,使用经典机器学习算法以及卷积神经网络进行下肢步态识别,实验结果表明一维卷积神经网络在分类准确度、鲁棒性以及调参复杂度等方面优于其他算法模型。结合实验结果,针对一维卷积神经网络进行优化,使用二维滑动时间窗进行数据分割,调整了网络结构,使用不同大小的多卷积核卷积层进行特征抽取,将第一层特征图谱最大池化后拼接到第二层特征图谱上提升网络识别精度,对梯度下降算法进行优化,使用合适的激活函数、学习率衰减策略提高网络收敛速度提升网络效果,应用dropout方法增加网络稀疏度,防止过拟合,最终在网络训练速度、分类识别精度等方面取得了提升。在信号离线识别方面,结合有限状态机与窗口滤波进一步降低模型输出分类信号的误差,得到更加精确的识别结果。本文系统地研究了基于表面肌电信号的下肢姿势及步态识别问题,并对影响该问题的各流程进行深入探讨分析。讨论分析了广泛应用于表面肌电信号模式识别领域的经典机器学习算法的优缺点,并与卷积神经网络进行对比分析。针对一维卷积神经网络进行优化,最终在识别精度、网络收敛速度、超参数设置难度等方面取得理想提升。上述工作对于表面肌电信号在智能仿生下肢、医疗康复、助老助残等领域的应用具有重要价值。