膝骨关节炎(knee osteoarthritis,KOA)是以膝关节软骨变性、破坏和骨质增生为特点的慢性退行性骨关节疾病,在临床上主要表现为膝关节疼痛、僵硬、肿胀、活动受限,在严重时可造成关节畸形,甚至到最后令膝关节功能丧失,极大地影响了中老年人群的生活质量。目前在KOA临床诊断上是以X光片为主,这种影像学技术只能在静态条件下评估KOA,不能评估运动状态下的关节功能。本文尝试寻找KOA患者的步态信息和X光评定的K/L分级(Kellgren-Lawrence classification,K/L)之间的关系,用步态分析技术对KOA患者的K/L分级做出诊断。这样的步态分析考虑到了关节的动态信息,弥补了影像学技术只能在静态条件下评估KOA患者病情的不足。本文采用了Kinect2.0传感器采集KOA患者步态数据,并将确定学习理论应用于KOAK/L分级诊断,最后基于MATLAB与Python设计并开发了一个KOA K/L分级辅助诊断系统。确定学习理论是融合了自适应控制、Lyapunov稳定性分析、RBF神经网络和持续激励(persistence of excitation,PE)条件的局部准确神经网络建模方法,能够完成未知动态环境下的知识获取、表达、存储和再利用。本文通过确定学习理论实现了对KOA患者的步态动态的局部准确的辨识,并将学习到的知识以的常值RBF神经网络权值存储起来。这样,时变的步态动态模式就能够以时不变的神经网络逼近来表示。利用已存储好的常值RBF神经网络权值可以构建一组动态估计器,将测试模式与这组估计器比较就能产生一组L1范数的误差,通过误差最小原则将与测试模式最相似的训练模式识别出来,并将此训练模式的K/L分级标签作为此测试模式的KOAK/L分级诊断结果。本文设计的算法的总体诊断准确率达到了 85.99%。本文基于确定学习理论,在前人工作的基础上研究和探索了 KOAK/L分级算法的实际应用,主要设计并开发了 KOAK/L分级诊断系统。此系统采用Kinect2.0作为传感器,实现了步态数据采集模块、数据预处理模块、步态模式训练模块、KOAK/L分级诊断模块和模式库管理模块五个部分的功能,能提供步态特征时序图、神经网络布置图、步态三维动力学图、残差图等图表方便研究人员进行分析,并在自建的KOA患者步态数据库上验证了 KOAK/L分级诊断的准确性,证明了系统的工程应用价值。