外骨骼机器人作为一种以人为中心的能够辅助和增强人体的可穿戴设备,近年来已经在助老助残、康复治疗等领域做出了巨大贡献,受到了研究人员的广泛关注。实现下肢外骨骼的协调控制需要用到多种信息,其中,步态相位信息被广泛地应用于下肢外骨骼步态轨迹生成、步态控制以及步态评估等任务中,具有重要意义。本文通过IMU传感器采集了人体步态数据,探究了不同特征提取模型的步态相位识别精度。针对传统步态相位识别过程中忽略了步态相位之间的时间依赖关系,以及因医疗资源紧张而导致的下肢运动障碍者无法得到及时有效的下肢康复训练的问题,开展了以下研究:（1）针对人体步态相位识别任务中时间特征提取模型与空间特征提取模型的选择问题,本文提出了一种基于TCN模型的步态相位分类方法。通过分析步态数据的特点,发现当IMU传感器按照固定的顺序排列时,数据能够同时显示出时间特征和空间特征。分别通过构建的DCNN、LSTM以及TCN模型提取了IMU数据的时间特征和空间特征,并对人体步态相位信息进行了识别。实验结果表明,在自行构建的人体行走步态数据集上,能够同时提取数据时间特征与空间特征的TCN模型获得了93.83%的平均分类准确率,相比于其它只能提取单一特征的模型取得了更好的步态相位识别准确率。（2）针对传统的步态相位识别过程中忽略了相位之间的时间依赖关系的问题,本文提出了一种基于多模态信号输入的混合TCN-HMM模型。首先,在TCN模型的基础上构建了能够提取和融合IMU数据数学特征的Math Decoder模块。其次,通过HMM对步态相位间的时间依赖关系进行建模,并采用改进的TCN模型估计每种状态的概率分布,为HMM提供发射概率,解决了因步态数据矩阵高维度、高复杂度的特点而导致发射概率难以建模的问题。最后,构建了混合TCN-HMM模型。实验结果表明,混合TCN-HMM模型达到了95.47%的平均分类准确率,相比于原TCN模型进一步提高了步态相位识别准确率。经统计,发现该算法大幅降低了“关键错误”的出现概率,为解决传统的步态相位识别任务中存在的问题做出了重要贡献。（3）针对因我国康复医疗资源紧张而导致的下肢运动障碍者无法及时得到有效的下肢康复训练的问题,本文设计了一款基于下肢外骨骼机器人的综合辅助-康复系统。在运动辅助方面,系统采用了有线串口与无线Wi-Fi、蓝牙相结合的控制方式,控制下肢外骨骼执行动作,辅助患者完成行走、蹲起、上下楼梯等日常运动。在康复治疗方面,采集了大量健康人群的运动数据,并通过DMP算法动态地调节运动曲线,为患者提供了最适合当前病情的康复、运动曲线;同时,系统引入了运动想象脑机接口技术,在线解码患者运动意图,并依据患者意图主动控制下肢外骨骼执行动作,带动患者下肢进行康复,实现了患者肌体与运动神经的协同康复。