人体的动作意图识别对于康复外骨骼的人机交互（Human-robot Interaction,HRI）具有重要意义。由于表面肌电信号（surface Electromyography,sEMG）具有提前于人体动作产生的特性,并且蕴含着丰富的人体运动信息,因此将sEMG信号做为信号源的康复外骨骼研究得到了越来越多的关注。然而,在将sEMG信号应用于康复外骨骼的研究过程中,由于sEMG信号的非平稳、非线性特点,其特征的提取与意图的识别仍存在一定难度。因此,本文的研究内容主要针对基于下肢sEMG信号运动意图识别的研究展开:首先,为了获取冗余数据量较少的原始sEMG信号并实现多通道信号的采集,本文提出一种基于自适应能微积（Adaptive Energy Diffiential Product,AEDP）的多分段sEMG采集方法。该采集方法通过计算信号的能微积值设置判断信号起始点的第一级门限,通过顺序统计法设置判断信号起始点的第二级门限。通过实验证明,该采集方法通过双门限阈值可判断原始sEMG信号的起始点,同时可以减少算法检测的起始点与真实信号起始点的偏移,实现对起始时刻和持续时长不同步的多通道sEMG信号的采集。随后,针对获取原始sEMG信号高类可分性特征的问题,本文提出一种斯托克斯维尔变换的奇异值集中度（S-transformation Singular value-Concentration Meature,ST-SCM）的特征提取方法。该方法通过计算原始sEMG信号的集中度特征,提高人体运动意图识别的分类准确率。并通过性能验证实验可知,ST-SCM在斯皮尔曼相关系数的评估中的拥有更好的类间相似度;在RF的动作分类中,其分类准确率在多个特征算法中具备优越性;在运算时间上,ST-SCM虽然运行时间高于时域算法,但满足对短时肌电信号数据的计算要求,属于运行较快的特征算法。最后,为了实现运动意图的高准确率识别,基于sEMG信号的ST-SCM特征,筛选了适用于各个分段信号的分类器,并制定了基于多分段信号的加权阈值投票法的意图识别策略。通过测试数据集的分类实验可知,多分段信号的加权阈值投票法的识别策略,在分类准确率上优于单一分段信号的分类准确率。对于单关节六类动作的分类,可以用于训练康复外骨骼的穿戴者进行初步的下肢动作训练,完成简单动作的肌肉记忆。此外,本文进行了复杂多关节腿部运动意图识别的探索,验证多分段信号的加权阈值投票法的意图识别策略对其它动作类型的适用性,取得了良好的实际在线测试效果。对下肢复杂的多关节动作意图识别的主要意义在于,帮助康复外骨骼的穿戴者完成进一步的基础动作训练。综上所述,本文对基于sEMG信号的康复外骨骼人机交互的研究具有一定的应用价值。