我国下肢运动障碍人口数量超过8350万,下肢行动障碍严重影响了患者的正常生活。传统的下肢外骨骼助行机器人通过机械的按钮控制完成助行功能,需要患者主动适应外骨骼机器人且过于机械的助力方式易对患者造成二次伤害。随着神经电信号检测技术的飞速发展,结合传感器和运动意图识别算法获取人体运动信息,可为下肢外骨骼机器人提供一种高效的控制策略。大脑作为运动指令的发出者,脑电（Electroencephalogram,EEG）信号可以表征具有全局规划性的人体运动意图;肌肉作为运动动作的执行者,肌电（Electromyogram,EMG）信号可以表征直接自然的运动模式信息。本文通过设计实验采集人体静止站立、常速行走、上下楼梯和上下斜坡以及下肢干扰动作时的EEG和EMG信号,基于EEG信号探索人体下肢有无运动意图、基于EMG信号识别下肢的运动模式,并融合EEG和EMG信号对人体下肢运动状态判别。本文基于EEG信号研究下肢运动意图识别。通过盲源分离算法和小波阈值去噪方法去除EEG信号中的干扰噪声;提取小波系数和能量值特征构造EEG特征向量并对特征可视化;采用K最近邻、支持向量机、线性判别分析和决策树四种机器学习方法对EEG信号分类,结果表明支持向量机对EEG分类结果最优,达到87.50%的识别准确率。本文采用集成学习方法基于EMG信号研究下肢运动模式识别。利用时域、频域、时频域和时序复杂性的特征分析方法对EMG信号进行特征提取,特征可视化表明四种特征分析方法在表征不同的动作上各有优势;通过比较随机森林、自适应提升、梯度提升决策树、极端梯度提升四种集成学习方法对EMG信号的识别结果,实验表明极端梯度提升方法对EMG分类结果最优,达到99.11%的识别准确率。此外,本文针对人体下肢干扰动作构建了对静止状态、下肢五种不同运动模式以及干扰类别识别的EMG七分类模型,识别准确率达到99.01%,具有较强的抗干扰性能。本文采用特征级融合方式融合EEG和EMG特征对人体下肢运动意图识别,识别准确率达到90.23%,特征融合方法相比于单一EEG特征,识别准确率提高了2.73%。本文采用决策级融合方式融合EEG和EMG信号的识别结果,提高下肢运动模式识别的可靠性。本文工作表明将EEG和EMG信号分析技术感知识别人体下肢运动意图和运动模式作为下肢外骨骼康复机器人的交互控制信号,可更好的保证训练过程安全,同时基于主动式的康复训练有助于脑卒中患者的神经功能重塑,提升康复效果,具有较高的应用价值。