步态是指人行走的方式和风格。由于生理特点和行走习惯的差异,不同的人有不同的步态。步态识别技术在智能假肢、临床医学、康复治疗、运动分析等众多领域得到很好的应用,成为第二代生物特征识别技术的代表,它促进了模式识别、信号处理等领域的发展,具有重要的科学研究意义。步态识别的关键是寻找合适的步态特征及分类方法,为了提高步态识别的准确性,本文在研究步态识别算法基础上提出基于多源信息融合的步态识别算法,从多源信号的选择、预处理、特征提取、特征值融合、基于多源信息的步态识别等多个方面进行了理论探索和实践。主要研究内容如下:1.本文在分析了步态识别信息源特点基础上,选取5种步态(平地行走、上楼、下楼、上坡、下坡)的髋关节角度、加速度信号、下肢表面肌电信号和足底压力信号作为步态识别信息源,然后搭建了多源信息采集系统,分析了行走速度对步态参数、髋关节的角度的影响以及行走速度对下肢肌群作用的影响,为了解人体运动规律提供数据支持。2.针对表面肌电信号的不稳定性、随机性,在采集的过程中常常会受到噪声污染的特点,本文利用经验模态分解预处理后提取肌电信号时域、频域特征。髋关节角度、加速度信号小波去噪和零校准后,为了更加准确的表征髋关节角度、加速度的不同特征信息,利用足底压力信号分为支撑前期、支撑中期、支撑后期、摆动期4个细分模式,并采用不同方法对髋关节角度、加速度信号提取了细分模式下的特征值。3.为了避免过多的特征值增大算法的复杂度,利用核主成分分析(KPCA)在特征层上融合特征值,提出基于快速正交搜索(FOS)步态识别方法,该方法结合了KPCA的非线性融合能力和FOS的良好的分类能力,与主成分分析(PCA)和BP、PCA和FOS、KPCA和BP、PCA和支持向量机(SVM)、KPCA和SVM五种方法相比具有步态识别正确率高和分类时间较少的特点。4.本文分析了常用的分类器的优缺点,选用相关向量机(RVM)对步态进行识别,提出了基于多核多分类相关向量机的步态识别方法,不同的核函数融合了髋关节角度特征、髋关节加速度特征、下肢表面肌电信号特征,并采用萤火虫算法优化多核核参数,实验结果表明该方法能够较全面的描述步态特征,与单核RVM、BP、SVM、FOS相比,具有更高的识别率。