智能下肢假肢是指假肢能够根据截肢者的行走速度、关节角度等的变化自动调整关节力矩,控制膝关节和踝关节的运动,使其接近自然步态。智能下肢假肢既要重现肢体的动力学和运动学特性,又要假肢根据穿戴者的运动意图实现相应的运动,维持人体运动稳定性,帮助患者恢复已失去的站立和行走等功能。下肢假肢运动意图识别效果不仅决定了假肢控制系统的性能,而且影响了人在运动、作业环境中的安全性,是智能下肢假肢控制需要解决的核心问题之一。传统的意图识别方法所用传感器数量及种类较多,特征向量维数偏高,使用的统计特征对短时样本具有不稳定性;其次,智能下肢假肢运动意图识别数据集包含不同地形下的运动模式及模式间的转换,即稳态模式与转换模式,两者具有模式与数据表现上的本质差异。若直接对所有模式进行特征提取与分类,会导致不同模式间的混淆较大,从而影响意图识别效果。基于此,本文提出了基于融合特征及分层策略的智能下肢假肢运动意图识别新方法。其一,为了解决传感器种类与数量较多,统计特征对短时样本具有不稳定性等问题,本文在第二章中仅采用置于健侧大腿及小腿部位两个惯性测量单元的三维加速度数据与三维角速度数据进行下肢运动行为识别。采用解算关节角的方式替代通过关节角度测量仪获取膝关节角度变化数据,避免了多源数据融合和异质数据干扰问题并大幅降低了特征向量维数。同时在不增加传感器类型及个数的基础上采用几何特征与物理特征相融合,运用加速度、角速度及关节角三个参数对下肢运动行为的运动学特点进行挖掘。在特征提取上,保留统计方法在意图识别数据处理上的优点,对物理特征数据提取均值及方差以反映短时数据的平均水平及离散程度;考虑到统计特征对短时数据具有不稳定性,对几何特征提取最值斜率,弥补统计特征的不稳定性并反映短时数据的局部变化率,最终实现对智能下肢假肢运动意图的识别。其二,为了减少相似模式间的混淆,本文在第三章中提出分层策略,在融合特征的基础上,利用类间差异性,对数据集进行分层处理。第一层先将模式分为两大类,提出使用帧间相减的方法处理数据,利用稳态模式与转换模式的差异性进行分类。第二层按照第一层预测标签的分类结果将样本分为两部分,分别训练并识别。实验结果表明,该方法能基本避免稳态模式与转换模式之间的混淆,识别效果较好,且对第一层结果提供补偿机制,矫正了部分识别错误的样本,从而提升识别准确率,预测运动意图。