目前对于步态的运动学参数与时空参数的计算方法主要有两种,目测法和定量计算法。目测法为医学专业检查常用方法,即医生让受试者做出规定动作,后根据病人做动作时的姿态、时间、肢体活动状态按照量表中的评价等级标准对病人进行评估,最终得出病人的步态评价。定量计算法主要通过仪器对病人的行走数据进行采集与检测,定量地计算出步态参数,主要包括标记法、可穿戴传感器法和无标记法等。其中,无标记法因其具有造价低,测试方便和耗时短的优势成为热门研究方向之一。Kinect设备是无标记法常用的设备。无标记法计算步态参数主要有传统法以及机器学习法,传统法根据参数定义设计步态参数计算公式进行计算,但传统法因为步态的个体差异性导致泛化性不高;机器学习法通过机器学习相关算法如SVM,模糊逻辑,神经网络等方法对大量的步态数据进行学习,从而得到算法模型计算步态参数,但对个体差异性不大的参数计算能力较差。本文针对传统法和机器学习法的优缺点,分别设计了两种参数计算方法,对不同的步态参数进行计算。传统法根据步态参数的相关定义设计计算公式,计算膝关节屈曲角,踝关节屈曲角,步速和步频等个体差异性不明显的步态参数;机器学习法基于神经网络,计算步长、跨步长、支撑相时间和摆动相时间等个体差异性明显的步态参数。传统法首先对下肢进行建模,后根据参数相关定义提出并设计参数计算公式,并根据所需数据的形态选择合适的滤波方法,在MATLAB2015b环境下对步态参数进行计算。机器学习法针对不同参数提出并设计了两个神经网络模型,其中计算步长采用多层感知机网络模型,计算跨步长、支撑相时间和摆动相时间采用卷积-循环神经网络模型,标签集来自可穿戴设备传感袜子,在Python3.8环境下实现了网络模型并进行训练。为了验证计算方法的准确性与可靠性,本文设计了一致性检验实验进行验证。具体为将基于AK设备采集的数据使用本文提出的计算方法所得结果与成熟的标记法设备所得结果进行一致性检验,使用配对t检验、计算相关系数（R值）、绘制bland-altman图和回归线-散点图等方法评估并分析了计算结果的准确性与可靠性。最后将搭载本文计算方法的AK设备用于中风患者的步态分析中以验证其实用性,得到了较理想的效果。