步态是指人步行时的姿态，是一种基本的生物特征，它具有不易受侵犯、难于隐藏、对距离要求不高等优点。它能反映出人体在生理、运动控制以及心理等方面的问题，因而近些年倍受关注，国内外研究机构和大学的研究对其做了大量的研究，但在步态特征提取分析及步态识别方面仍需我们进一步深入细致的研究。虽然目前步态的研究还是主要集中在视频视觉与图像处理方面，但是加速度传感器的发明为研究步态提供一个崭新的思路，使得运动加速度信号可以作为步态信息的一个重要组成部分。嵌入加速度传感器的便捷系统可以实时获取数据准确且环境干扰因素少的加速度信号，因此本文基于三轴加速度传感器对人日常正常活动时的步态进行了特征提取的分析与步态模式的识别。本文应用三轴加速度传感器MMA7260Q、 cortex_M3系列的STM32F103微控制器和W25Q128BV Flash存储器分别作为步态加速度数据采集系统的数据采集部分、数据处理部分、数据存储部分，将该采集系统佩戴在实验对象身体固定位置上，制定实验规则，对实验对象不同状态下的步态信号进行采集，建立了步态特征数据库与步态识别数据。通过对采集来的步态加速度原始信号进行数据类型转换、位置校正、去噪、归一化等预处理方法，确保了获取的步态信号的准确性和规整性。数据类型转化方面是将“212”形式的步态数据转换为十进制形式；位置校正是采用几何方式将步态数据校正到标准坐标系统下；本文采用db8小波基对步态数据进行分解去噪；在数据归一化方面采用线性归一化方法，将步态数据缩放到0到1之间。本文设计的步频计算方法，主要采用时间窗分割及尖峰阈值判别法，通过设定多层的限定条件，包括幅值限定，尖峰间隔限定等，筛除掉虚假的步伐，提高了步频计算的准确性与实时性。在步态特征的提取方面进行了步态信号的零点划分，获得了步态的支撑期、摆动期等重要信息。本文采用时相对称性指数作为判定步态对称性的重要标准，较好地分辨了不同条件的实验对象步态对称性。对比不同的非线性分类算法的特点，神经网络有以下优点：一是拥有很强的鲁棒性和容错性，二是处理结构上是并行的，且每个单元可以同时进行类似的处理过程，使得计算速度很快；三是自适应性强，神经元之间的连接可以多种多样，各层神经元之间联接强度具有一定可塑性，使其能处理不确定或未知的系统；四是学习复杂非线性关系能力强。因此本文选择利用BP神经网络对不同模式的步态加速度信号来分阶段式地进行步态模式的识别。本文选取进行区分步态模式主要有动态静态两大模式，具体包括坐、站、慢走、快走、上楼、下楼六种不同步态模式。按照由概括到具体的思路，本文采用分阶段的方式对采集的步态信号进行识别。在步态模式预分类阶段，信号幅度面积（SMA）和平均能量值(AE)作为区分动态静态两大类步态的关键特征，它们将作为第1神经网络分类器的输入特征；在步态模式具体识别阶段，为了防止BP神经网络的过拟合现象的发生，应用平均影响值（MIV）法来对第2、3神经网络分类器的输入特征降维，筛选出的特征被选出作为BP神经网络的输入。利用选取的训练数据对三个不同阶段的BP神经网络进行训练，在通过使用测试步态数据对训练好的神经网络进行识别验证，发现本文的步态模式识别方法识别准确率令人满意。最后对全文进行了总结，并进行了展望提出了工作的下一步计划。