对因疾病、交通事故、工伤事故、运动创伤等原因造成的下肢截肢者,假肢能够代替失去肢体的部分功能,使截肢者恢复一定的生活自理和工作能力。利用各种传感器信息融合、微处理器控制等技术、能够根据用户意图进行运动、并具有主动适应外部条件变化的能力的智能假肢,为残疾人自然、流畅的行走带来了全新的可能。动力下肢假肢运动意图是智能下肢假肢研发工作中重要的研究课题之一。近年来,深度学习受到了研究工作者的广泛的关注,并在目标检测、图像分类、视频分析等研究领域取得了优秀的成果。传统的意图识别研究较多的基于机器学习分类器,而深度学习算法在运动意图研究中的效用尚未可知。引入深度学习分类器自学习特征的优势替代传统意图识别研究中手工提取特征的工作;优化深度神经网络使得算法更加适用于运动意图识别的研究是本文研究工作的目的。其一,旨在将自学习特征的深度学习技术应用到下肢假肢运动意图识别中,阐述了深度学习算法应用于运动意图识别中的可行性。选取了两类典型的深度学习网络:卷积神经网络与长短时记忆神经网络,通过实验证明深度学习模型应用到运动意图识别的可行性,并通过与传统的机器学习算法的对比试验,验证了深度学习算法的性能优势。实验结果证明,将深度学习技术应用到下肢假肢运动意图识别中具有重要的意义。其二,旨在优化卷积神经网络,使得算法更好的应用于运动意图识别。算法框架通过加入标准化、改进卷积层结构、调整参数、添加Dropout层在传统的卷积神经网络的基础上进行改进,更适应于本文研究的基于短时行为样本数据的运动意图识别。在意图识别数据集中进行滑动窗口预处理,目的是对时间序列样本做数据增广,扩增目标数据集能够使训练集更加丰富全面,提高了识别的精度,运用改进后的卷积神经网络对增广后的数据集进行特征学习与分类,实验结果验证了本文算法的有效性。本文旨在将深度学习算法有效的应用于运动意图识别,有效的弥补了应用于意图识别的传统机器学习算法手工提取特征的不足,同时结合了意图识别短时行为数据的特征,改进了传统的卷积神经网络,相较于传统卷积神经网络,识别率和时间复杂度性能上都有所提升。