外骨骼机器人是一种可穿戴式机器人，用于增强穿戴者的运动能力。外骨骼机器人技术作为一门新兴的机器人技术，现已成为机器人领域的研究热点。外骨骼机器人在使用的过程中与人构成了一个典型的伺服系统，人在系统中处于主动地位，外骨骼机器人处于从动地位。如何让外骨骼机器人有效地跟随穿戴者的动作，一直是外骨骼机器人课题中的难点。研究人员提出了各种控制算法，如在Hardiman中使用的主从控制算法，BLEEX中使用的混合控制算法以及HAL中使用的相位序列控制算法等。本文通过对人体运动步态进行分析，提出了一种基于人体运动预测的算法控制外骨骼机器人，通过理论分析和实验验证了算法的可行性，主要的工作包含以下几个方面:　　第一，通过对人体运动步态进行分析，得到了步行过程中人体下肢运动的机理。研究了在外骨骼机器人系统控制中对人体步态划分的主要方法，重点分析了两种方法，分别为基于足底压力传感器将步态划分为六个相位的方法和通过人体运动力学将步态划分为八个相位的方法。本文针对手工方式对相位进行划分的缺点，提出了一种通过聚类来划分步态相位的方法。　　第二，介绍了本文使用的外骨骼机器人平台。首先，简要分析了外骨骼机器人设计的过程中主要的问题以及设计时遵循的原则。然后，对本文外骨骼机器人的机械结构进行了介绍，比如自由度的个数、外骨骼的驱动方式等。接下来，介绍了外骨骼机器人的控制部分，包括控制单元和控制架构。最后，描述了外骨骼机器人整个传感器系统。　　第三，针对手工划分相位的方式存在的缺陷，本文提出了均值平移(Mean Shift)算法对步态周期数据进行聚类，实现步态相位周期划分。通过对Mean Shift算法进行分析，发现当算法使用非对称高维球时，相位聚类结果具有预测性。采用具有预测性标签的样本训练一个分类器，使得分类器分类的结果就具有预测性。由此本文提出了一种MeanShift算法与SVM算法结合的算法对步态相位进行预测。　　第四，通过对人体和外骨骼系统进行建模，得到人体运动过程中人体关节角度与外骨骼关节角度的映射关系。然后，对PID控制和模糊控制进行分析，将步态相位预测信息作为前馈输入到控制系统，提出一种新的模糊PID控制算法，算法中将带有预测功能的SVM分类器作为模糊控制器。　　最后，通过实验对本文提出的算法进行了验证。通过实验得到了Mean Shift聚类算法的最优参数。验证了SVM算法在相位分类中的可行性和泛化能力。最后验证了基于人体运动预测算法的模糊PID控制算法，系统的性能得到很大改善，从而验证了算法的有效性。