由脑卒中引起的下肢偏瘫给患者和家庭带来巨大痛苦。随着患者人数增加，也给社会带来负担。传统上，医师采用徒手对患者进行康复训练，但患者易产生厌烦。下肢康复机器人可以代替医师完成康复训练，可以提高疗效，减轻负担。为了实现患者的自主训练，本课题将肌电信号作为主要控制信息源，以体现患者的运动意图。本文针对人体下肢运动模式识别做了以下基础性研究：首先，详细阐述了脑卒中发病机理，介绍了表面肌电信号的机理及其应用。根据下肢各肌肉的功能特点，选择胫骨前肌和内腓肠肌上的表面肌电信号为控制信号，对其每个步态周期划分为支撑前期、支撑中期、支撑末期和摆动期四种运动模式。其次，表面肌电信号的预处理和特征提取是非常重要的环节。小波包μ律绝对值阈值法解决了肌电信号中夹杂生理噪声的干扰，消噪效果优于传统的软、硬阈值法。用50%的“重叠窗”方法划分数据段，对时域、频域及时域-频域联合分析后，用时频分析法中的小波变换计算每一段的小波特征奇异值，构建特征编码后输入分类器中进行模式识别。最后，为了对下肢四种细分的步态状态进行运动模式识别，提出了GA-Elman网络。它是利用遗传算法优化Elman神经网络的初始权值和阈值，解决了传统神经网络收敛速度慢且易受局部极小点困扰的缺陷，经过网络训练、识别后得到85%的平均识别率，明显优于传统的BP和Elman网络。考虑到下肢步态的四种运动模式能够对应到隐马尔可夫（HMM）的四种状态，本文尝试用HMM的信号分类识别方法对下肢步态状态进行识别，经过Baum-Welch算法对HMM参数进行重估训练和Viterbi算法进行识别后，得到的平均识别率为93.75%。识别效果优于GA-Elman神经网络，能够更加精确地对下肢外骨骼实施控制。