基于Kinect深度传感器的无标记点运动分析系统能够准确捕捉运动时空参数,但该系统由于存在系统误差导致评估人体下肢步态关节的运动学参数精度有待提高。因此本研究以有标记点三维运动捕捉系统（Mo Cap）为黄金标准,基于双向长短时记忆递归神经网络（Bi-lateral long short term memory,Bi LSTM）和线性回归算法构建深度学习融合模型,以减小基于Kinect深度传感器的无标记点步态分析系统的系统误差,从而提高Kinect深度传感器下肢运动学分析的系统捕捉精度。本研究招募10名健康男性大学生进行步态分析实验。首先,应用Mo Cap系统和Kinect V2传感器同步采集贴在人体骨性标记点上的反光球以及下肢关节中心的三维空间坐标。其次,通过全身Cleveland Clinic模型及Kinect逆运动学骨骼模型分别计算下肢关节角度。以Mo Cap系统得到的下肢角度为目标,Kinect系统得到的角度为输入进行数据集的构建,分别用Bi LSTM算法和线性回归算法构建学习模型,得到系统误差修正后的下肢关节角度。采用留一交叉验证法验证本研究模型的性能。然后,采用多重相关系数（Coefficient of Multiple Correlations,CMC）及均方根误差（Root Mean Square Error,RMSE）表示下肢关节角度波形曲线的相似程度以及平均误差。提取下肢关节的最大屈曲/伸展角度,最初着地角度,关节活动范围等参数进行统计学分析。最后,对比分析黄金标准Vicon系统采集的数据,评估Kinect系统采集下肢步态运动学数据的有效性以及深度融合算法的修正效果。结果显示,BiLSTM网络比线性回归算法更能够处理高度非线性的回归问题,尤其是在髋关节内收/外展、髋关节内旋/外旋和踝关节趾屈/背屈角度上。应用Bi LSTM网络的误差修正算法能够显著地降低Kinect的系统误差（RMSE＜10°,其中髋关节的RMSE＜5°）,下肢角度波形呈现很好的一致性（除髋关节内旋/外旋角度外,CMC＞0.7）,并且能够显著地提高了下肢关键关节角度的准确性（p＜0.05）。综上,本研究开发的基于深度学习融合模型的无标记点步态分析系统是可以显著提升Kinect传感器下肢步态运动关节角度的捕捉精度。基于Kinect深度传感器的无标记点步态分析系统可能是目前昂贵三维红外运动分析系统的平价替代品,以帮助步态异常人群随时评估下肢关节活动能力、步行功能以及辅助步态康复训练等,在临床和家庭康复中具有广泛的应用前景。