人体步态蕴含着大量能够反映自身健康状况、精神状态的有用信息,对人体步态信号的分析、研究一直以来都是众多学者普遍关注的热点。加速度作为反映步态信息的一个重要方面,也同样包含了能够反映出人体精神状态、运动状态的丰富信息。本文对人体步态加速度数据进行研究,分析正常、异常以及不同行为步态之间存在的本质差异,可为异常步态的检测以及康复治疗提供重要依据。在研究国内外人体步态加速度数据的常用分析方法之后,本文以嵌入式STM32f103单片机系统为核心,MPU9150为传感器,将四元数旋转矩阵算法嵌入到主控芯片中,实现了对人体步态加速度数据的矫正;并利用该系统对各实验对象在不同种条件下的步态加速度数据进行了采集,为人体步态分析提供了可靠的数据来源。重点介绍了多元多尺度熵算法的发展过程,针对传统多元多尺度熵算法中存在的缺点,本文提出一种多元多尺度模糊熵算法。该算法采用滑动滤波的方式对传统粗粒化过程进行了改进,使各尺度上粗粒化后的时间序列长度与原始数据长度保持一致,减小了过程中产生的随机误差;同时,本文算法在保持传统方法硬阈值优点的基础上,通过定义模糊隶属度函数来统计两复合延迟向量距离略大于阈值的情况,既降低了传统方法对阈值的依赖性,也很好的解决了传统阈值所导致的不稳定现象。并通过仿真实验证明了本文算法的有效性。本文将多元多尺度模糊熵、传统多元多尺度样本熵分别应用于对采集人体步态加速度和国外公开数据库中不同行为步态加速度数据的特征提取与分类,结果表明本文算法明显优于传统方法;通过对国外公开步态数据库中正常行走、上楼、下楼步态进行分类,获得的最高识别率达到了96.5%;与国际上针对该数据集获得的识别率相比,进一步体现出本文算法的优越性。最后,文中利用EMD算法与多元多尺度模糊熵结合对麻省理工学院数据库中帕金森步态、年轻人、老年人步态进行了特征提取与分析,最终结果充分证明了本文算法能够有效的提取人体步态特征,同时具有很好的统计特征和分类精度。