随着计算机技术和机器人技术的发展,新型的隐式人机交互技术打破了传统的基于程式的被动康复训练方式。本文以中风偏瘫患者的康复训练方式为背景,研究能够达到主动式康复治疗的生物电交互方式。根据神经生理学的可塑性理论,通过生物电信号获取患者运动意图,可以使患者按照自主意愿进行康复训练,促进受损运动神经、肌肉的修复,使未受损区域的休眠神经元苏醒过来重建神经通路,达到康复的目的。基于生物电信号的康复外骨骼交互系统分为表面肌电信号（sEMG）的连续运动估计和脑电信号（EEG）运动想象分类识别两个方面。本文主要针对现有技术的问题和应用难点进行算法改进和应用方法的探究。在肌电连续运动估计方面,建立了基于希尔（Hill）肌肉骨骼动力学模型以及人机系统前向动力学模型的开环关节运动量估计模型。针对单关节的sEMG开环估计模型存在的不稳定和对负载扰动敏感的不足,提出了基于负载扰动补偿的参数辨识方法,结合惯性测量单元（IMU）信息的量测方程,建立了基于扩展非线性卡尔曼滤波的闭环估计模型。在脱机环境进行了参数辨识实验和开环-闭环运动估计实验。所提出的闭环估计算法,以及负载扰动补偿策略可以在不同负载下正常工作,且保持长时间稳定。针对传统神经网络对肌电连续运动估计精度不足及通用性差的情况,提出长短时记忆网络（LSTM）的连续运动估计,将下肢髋、膝、踝三个关节的角度预测均方根误差缩小至5.87°,6.28°,7.56°,通过与传统网络支持向量机（SVM）、多层前馈网络（BP）训练结果的对比分析,证明了 LSTM网络在下肢连续运动预测中的优越性。同时为保证实时在线的估计速度,使用主成分分析算法（PCA）,将平均单次估计耗时缩小至0.98ms,有效的保证了精度及实时性的下肢连续运动估计。在运动想象脑电信号分类方面,针对脑电信号具有高度的非平稳性和非线性的特点,提出了基于时域和频域同时具有良好局部化性质的希尔伯特-黄变换（HHT）提取表征运动想象脑电的AR模型参数特征和平均瞬时能量特征,同时应用能较好地适应运动想象脑电单次实验分类的支持向量机进行分类。结果表明在实验的5～7.5s期间,HHT特征提取方法平均分类正确率为81.04%,在8～9s期间,HHT特征提取方法平均分类准确率为71.23%,通过与小波变换及无HHT特征提取的分类正确率对比,证明了本方法的优越性。在此基础上,提出了中风偏瘫患者的整体康复系统设计及康复评价。针对传统康复仪器基于程式的被动康复训练方式,本文从康复系统的一致性,主动性和人机交互性三个方面阐述了此康复系统的优越性,同时针对传统基于治疗师的主观康复评价,提出了一种具有科学依据的康复评价系统。