步态是指人体行走时的姿态,也可以说是人体运动过程中的一种生物特征。其中包含了大量的运动信息,这些信息可以应用于生物认证、临床、人机交互等多个领域。在临床方面,步态分析主要用于辅助医生对正常步态和异常步态进行辨识以及帮助病人进行康复训练。髌骨疼痛综合症（PFPS）是一种临床上最为常见的膝关节疾病,患者会因疼痛而导致异常步态。我国髌骨疼痛患者数量庞大,早期并精确地检测出髌骨疼痛可以防止该疾病的进一步恶化。但传统的诊断方法大多依赖于医生的主观判别,没有一个准确统一的标准,临床准确率不高;而医学影像辅助诊断方法虽然精度高,但其所需设备昂贵,且同样需要医生具备丰富的临床经验。因此,探究一种客观精确的辅助诊断方法非常重要。本文将深度学习与步态分析技术相结合,提出了一种针对髌骨疼痛的异常步态智能检测方法。该方法通过卷积神经网络模型自动提取受试者的步态参数特征来进行分类,并对这些步态参数进行重要性评估,从而实现辅助诊断。本文的主要工作如下所示:（1）对所获取的步态参数进行合适的数据预处理。本文所用的步态数据属于多维时序数据,不同步态参数之间的数据分布差异较大,目前并没有确定统一的预处理方法。本文通过设计对比实验得出,标准化处理比归一化处理更适合多维步态参数。并将这些步态数据进行了合理的数据增广。（2）构建卷积神经网络模型对预处理好的数据进行特征提取和分类。由于生物力学参数属于时间序列数据,所以本文模型中的所有卷积层都采用一维卷积核,即滤波器只在时间轴上滑动,使模型更加关注数据的时变性,相较于传统的二维卷积,该模型的精度更高且耗时更少。并通过将模型在同一受试者的走路和跑步两个数据集上进行对比实验,得出跑步数据更容易鉴别髌骨疼痛。（3）对模型进行改进并分析其可解释性。首先,引入Focal loss函数来进行优化,结果显示不但模型的精度得到了小幅度提升,而且网络学习的也更加均衡。同时,由于髌骨疼痛患者中女性明显多于男性,所以本文在模型中加入性别特征,并将其与卷积神经网络所提取的深度特征融合,进一步提高了模型的精度。然后通过在神经网络模型的输入端添加注意力机制,对输入的多维步态参数进行加权,并将权重系数可视化,来探究这些步态参数对于髌骨疼痛诊断的重要性。最终,实验结果表明,该方法的准确率优于以往的检测方法,并得出股内侧肌和半膜肌的表面肌电信号以及膝关节屈曲角与髌骨疼痛的相关性最大。