准确的步态识别和步态规划是下肢外骨骼和人体假肢实现功能的前提和基础。随着研究深入,下肢外骨骼逐渐向更加智能和人机协同方向发展,通过检测穿戴者的运动意图,提高人机运动协同能力来提高助行、康复效果,这要求在下肢外骨骼使用过程中,对使用者步态状态进行有效识别,并根据实时步态信息来调整下肢外骨骼的控制信号输入,从而实现人机协同。因此,准确的步态相位识别至关重要,是下肢外骨骼实现人机运动协同的先决条件和重要保障。现有步态研究多从算法和传感器两方面着手。就肌电步态识别而言,当前研究的主要思路为:通过数据采集、有效的数据预处理、特征向量的合理提取,以及算法优化等方法来提高步态识别。虽然这些方法在实验室条件下能获得理想步态识别效果,但在实时环境中,步态识别效果却并不令人鼓舞。实际上,在临床环境中存在着诸多变量,如个体差异、人机差异等,具体而言,这些变量包括不同人体生理机构所具有的个体差异,即使同一个体在不同负重重量、负重方式,速度、路面路况、疲劳等人机差异场景下,也存在生理状态差异、运动模式差异,以及力学特征差异等。本文的主要目标就是研究这些人机差异是否会对步态识别产生显著的影响,探索在这些人机差异层面上提高步态识别率的方法,并在此研究的基础上进行实时步态识别系统开发,以及该系统在下肢外骨骼中的运用实践。主要的研究工作包括以下几个方面:（1）通过文献研究和相关的理论学习,梳理并掌握关于步态识别的前沿理论,围绕步态相位识别,了解下肢关节及自由度,根据步态周期内下肢肌肉的作用,优选目标肌肉,用于肌电信号采集,结合肌电信号产生机理,为后续的多人机差异场景的步态识别研究,以及实时步态识别系统开发打下基础。（2）通过具体实验,详细探索了负重差异和负重方式差异对步态识别的影响研究。在临床环境中,下肢外骨骼面对的环境变量很多,本文挑选四个比较常见变量（负重差异、负重方式差异、速度差异、坡度差异）进行实验。选用重叠分析窗,以及均方根（RMS）、积分肌电值（iEMG）两种特征,联合BP神经网络（BPNN）,支持向量机（SVM）,K临近值（KNN）等传统分类方法进行分类,再用单变量多因素方差分析（Univariate multivariate analysis of variance）对这些分类结果进行数据分析,并讨论负重、负重方式、速度等变量对步态识别的影响。（3）通过实验,研究如何利用卷积神经网络（CNN）的自动特征提取来代替RMS、iEMG等手动特征提取（手动特征提取容易丢失特征）。论文尝试了将肌电信号转化成肌电图像,然后借助CNN在图像处理的优势,以及其不丢失特征的自动特征提取方法,以此来考察用CNN来处理稀疏肌电信号的可能性。通过实验,证明只需将稀疏肌电信号转化为二维灰度图像,用CNN同样可以获得理想的分类成绩。（4）研发面向多人机差异场景的实时步态识别系统,从实践的角度来探讨实现实时步态识别的方法。在开发该系统中,本文将实时环境中的人机差异归纳为四个方面,即:速度（3,5,7Km/h）,负重（10,20,30%体重）,负重方式（背包backpack,跨肩cross-shoulder,直肩straight-shoulder）,坡度（-15,0,15度）。这些变量都可以自由组合成实时场景中的人机变量,以此进行实时步态相位识别。（5）将实时步态识别系统拓展应用于一个肌电下肢外骨骼原型,进行关节角度预测和控制实验。用压力信号和关节角度信号作为参考,来标注步态相位和关节角度,以不同腿和相同腿两种肌电信号（相对于装备下肢外骨骼原型的腿而言）来进行膝关节和髋关节的关节角度预测,以此证明实时步态识别系统在下肢外骨骼中的有效性。