随着下肢外骨骼机器人技术的蓬勃发展,其在日常辅助,军事以及医疗康复领域的作用日益凸显。由于表面肌电信号(electromyography,EMG)与人体动作的高度相关性,基于EMG信号控制的外骨骼人机交互具有自主理解人类运动意图的优势。本文针对下肢外骨骼机器人的上层控制,提出了基于EMG信号的人体下肢运动意图感知与预测系统,包括运动意图模式识别模型、下肢关节角度预测模型以及在线验证实验。通过基于本文数据集的离线实验以及现场的在线实验验证,达到了外骨骼上层控制系统需满足的控制信号精度以及实时性的要求。本文根据目前基于EMG信号的动作模式识别和关节连续角度预估的研究进行了分析,就目前存在的部分突出问题进行总结,确立了本文的研究方向,同时为本文研究提供了大量参考。通过分析EMG信号的生理学特征与下肢步态的相关研究,利用集成惯性测量单元(Inertial Measurement Unit,IMU)的无线肌电电极,脚底压力传感器等设备,建立了包含5种日常生活中常见的下肢运动模式的离线下肢多通道信号数据集。其中包含了9组下肢肌肉,原始EMG与IMU信号,多种EMG信号特征以及IMU信号特征。该数据集用于离线实验的模型训练与测试,以及在线实验的基础模型参数训练。参考相关研究,选取了三种机器学习算法作为运动模式识别模型的参考算法。本文提出的下肢运动意图感知与预测系统包括运动模式识别模型以及对应不同运动模式的下肢关节角度预测模型。根据本文数据集的数据特点,对运动模式识别模型进行了适用于多分类问题的参数预设,对EMG信号特征,IMU信号特征以及两者的融合特征的识别准确度进行了研究。同时,基于三种识别模型,对保持模型较高识别准确度所需的肌肉通道数目,以及该数目下对应的肌肉组合方式进行了研究,同时简化了所需的EMG信号特征数目与组合,最终建立了运动模式识别模型以及识别所需的最简最佳特征子集。根据肌电-动作延迟(electromechanical delay,EMD)的生理基础确定了下肢关节角度预测方案以及四个预测时间长度的选择。基于长短期记忆神经网络建立EMG信号特征提取器与预测器,二者组合成为下肢关节角度预测模型,该模型可以在不同预测时间下对关节角度进行准确预测。通过与传统的EMG信号时域特征和机器学习回归算法在本文设定的不同预测时间内进行实验比较,证实了本文所提出的下肢关节角度预测模型的优越性。为证明本文所提出运动意图感知与预测系统的在线实验可靠性,在离线数据集建立的模型基础上,利用现场采集的数据以及迁移学习对离线训练模型进行参数优化,将参数优化后的模型导入至便携式人工智能计算卡,利用无线肌电电极及其SDK模块实现EMG与IMU在线采集与使用。通过运动模式识别实验,下肢关节角度预测实验以及运动意图感知与预测系统的实时性实验对本文提出的模型进行准确度与实时性检验,最终证明了本文面向外骨骼上层控制提出的下肢运动意图感知与预测系统的有效性与可靠性。