随着失能老人和肢体残疾人人数的增加,对肢体功能训练与运动辅助设备的需求也越来越大。国内外学者和机构研发可穿戴助力机器人,为上述人群提供运动辅助与康复训练,提高他们的生活自理能力,减轻家庭的生活负担,以适应社会老龄化快速发展和肢体残疾人不断增长现状。随着人机交互技术的发展,可穿戴助力机器人逐渐由被动接受使用人指令方式向主动识别与理解人体运动意图的方式转变。越来越多的可穿戴助力机器人利用人体生物信号识别人体运动意图,如何连续可靠地识别人体运动意图尚存在一些瓶颈问题,致使机器人在运动控制的柔顺性和适应性方面有待进一步提高。本文以人体膝关节为研究对象,针对大腿肌肉肌音（Mechanomyography,M MG）信号估计膝关节运动加速度（Linear Acceleration,ACC）过程中的信号处理、特征提取及ACC估计问题进行研究。结合国内外最新相关研究,构建多通道MMG信号估计膝关节运动ACC的卷积神经网络-长短时记忆（Convolutional Neural Network-Long Short-Term Memory,CNN-LSTM）神经网络回归模型,利用模型估计下肢可穿戴助力机器人运动控制所需膝关节运动ACC值,进而为可穿戴助力机器人的实际应用提供了新的思路。本文主要研究内容及创新如下:1.针对MMG信号去除运动伪迹问题,本文提出基于多元变分模态分解（M ultivariate Variational Mode Decomposition,MVMD）的 MMG 信号处理方法。将同群肌多通道MMG信号进行窄带固有模态函数（Bandwidth-limited Intrinsic Mode Function,BIMF）分解,结合MMG信号的频率和能量分布选择BIMF分量,最终形成滤除运动伪迹等噪声的MMG信号。相比多元经验模态分解（Mul tivariate Empirical Mode Decomposition,MEMD）算法,利用 MVMD 算法分解的各通道BIMF分量,瞬时频率（Instantaneous Frequency,IF）更加稳定,分量相互混叠程度明显减轻,滤除噪声的MMG信号总功率增加了 50%,滤除运动伪迹等噪声同时最大化保留了 MMG信号能量,提高MMG信号的可辨识性。2.针对MMG数据特征提取问题,本文提出基于卷积神经网络（Convolutio nal Neural Network,CNN）的MMG数据特征自动提取方法,设计了面向估计ACC的CNN架构。采用滑动窗口方式将多通道MMG时序数据转变为二维数组序列输入到CNN模型,利用CNN最大限度的挖掘MMG数据特征。相比基于MMG数据时频域特征构建反向传播（Back Propagation,BP）神经网络模型,C NN模型估计ACC值精度更高,估计值与期望值之间的相关系数（Correlation C oefficient,R）平均值在91%以上。相比MMG数据时频域特征相比,基于CNN的MMG数据自动提取的特征性能表现较好,自动提取的特征增强了识别算法泛化能力。3.针对膝关节运动ACC估计问题,本文提出基于MMG数据利用CNN-LS TM网络模型估计膝关节运动ACC的方法。多通道MMG数据输入CNN网络模型自动提取特征,再将特征以时间序列数据形式输入LSTM网络模型进行加速度估计。相比于MMG数据时频域特征构建的LSTM网络模型,CNN-LSTM网络模型对ACC估计精度更高泛化能力更强,R平均值高达97%以上,促进了下肢可穿戴助力机器人运动控制所需膝关节运动ACC在工程实践中的应用。