外骨骼机器人作为一种人体辅助设备，近50年来在军事、医疗和民用领域都有了一定的发展。但是助力型外骨骼机器人的平衡和安全问题还急需解决。目前，国内助力型下肢外骨骼机器人摔倒预测研究处于空白状态，针对该现状，本文融合多种传感器信号对外骨骼人机系统摔倒行为的提前预测进行研究，为外骨骼机器人的防摔倒措施提供参考，旨在有效减少人机系统的损伤。
　　本文首先对外骨骼人机系统摔倒行为进行定义，总结人机系统摔倒行为的各个过程及运动学特征进，并按照摔倒方向和所处场景把常见的摔倒行为分为四类。为分析人机摔倒的机理，本文引入零力矩点与支撑多边形计算人机系统的稳定裕度，从而达到对稳定性的定量分析。由此对四种摔倒行为的特征变化进行详细的分析，从而选择足底压力信号、人体背部加速度信号和姿态信号作为预测算法的输入样本。
　　随后，本文介绍了外骨骼机器人的总体设计、传感器的选型以及信息采集界面设计。并搭建摔倒实验环境，设立保护措施，进行各种摔倒行为和正常行为活动的实验样本采集与数据预处理。同时为验证摔倒行为特征变化理论分析的准确性，本文对采集数据进行细致分析，并对所有数据进行时域等特征提取，选取比较能区分摔倒行为的一组特征向量，并通过主成分分析算法对多传感器信号特征进行融合，去除冗余信息，降低预测算法计算量。
　　在算法设计阶段，本文对比了多种模式识别算法，选择了隐马尔可夫模型和支持向量机针对不同传感器信号构造人机摔倒预测算法。最后结合两种算法的优点设计出融合多传感器信号的外骨骼机器人摔倒预测算法，算法的主要思想是先用基于隐马尔可夫模型的摔倒预测模型对加速度时间序列进行分析，判断摔倒的风险，根据摔倒风险值选择是否用基于支持向量机的摔倒预测算法进行进一步的验证和摔倒类型的识别。经过改进后的摔倒预测算法拥有比较高的准确率，并且能够在比较短的时间内预测到摔倒行为的发生，同时判断当前摔倒行为的种类。这对于之后的摔倒保护措施的研究打下了基础。