近年来,外骨骼等穿戴式机器人设备在军事、医疗、康复、工业等领域获得极为迅速的发展。穿戴式机器人在运动辅助过程中根据人体运动模式提供相应的辅助是临床应用环节人机共融的关键因素。因此,精准的人体动作识别是提高穿戴式机器人设备助力性能和适应能力的基础,对实现柔顺助力、促进运动功能康复等至关重要。目前下肢动作模式识别技术还存在数据量少、识别率低的问题。本文以下肢动作为对象,采集行走、上下楼及负重上下楼五种步态的表面肌电信号（Surface electromyography,s EMG）,在对s EMG进行特征提取、整合及降维的基础上,构建了一种以特征集作为输入的卷积神经网络（Convolutional Neural Network,CNN）,提出一种新的下肢动作模式识别方法,并比较了其他几种分类识别方法的识别正确率、交叉熵损失及训练时间等参数,从而验证本文方法的有效性。论文主要研究内容如下:（1）结合下肢外骨骼应用场景以及该领域尚存的步态识别类型少的问题,选择了平地行走、上下楼及负重上下楼5种下肢运动作为识别对象,并选取了对上述5种步态影响较大的股直肌（Rectus Femoris,BF）、股外侧肌（Vastus Lateralis,VL）、股内侧肌（Vastus Medialis,VM）、半膜肌（Semimembranous,SB）、外侧腓肠肌（Gastrocnemius Lateral,GL）、内侧腓肠肌（Gastrocnemius Medial,GM）、胫骨前肌（Tibial Anterior,TA）和股二头肌（Biceps Femoris,BF）8块肌肉作为信号源进行肌电信号采集。采用带通滤波方法进行滤波,通过观察滤波后s EMG信号存在静息状态近似水平等特点,证明了该滤波方法能有效滤除噪音信号。（2）为了确保能够全面反映人体下肢运动的特征,提取了s EMG信号的平均绝对值（Mean Absolute Value,MAV）、均方根值（Root Mean Square,RMS）、过零点率（Zero Crossing Rate,ZC）、斜率变化率（Rate of Slope Change,SSC）4类时域特征和中值频率（Median Frequency,MDF）、平均功率频率（Mean-power Frequency,MNF）2类频域特征共6类信号特征。进一步采用主成分分析法（Principal Component Analysis,PCA）进行特征降维,获得能够代表最佳原始肌电信号特征的低维特征集。（3）在进行特征提取、整合及降维的基础上,构建了一种以特征集作为输入的卷积神经网络,开展了行走、上下楼及负重上下楼5种下肢动作模式识别实验,最后基于识别正确率、交叉熵损失分析和探讨了本文方法的有效性。（4）开展了本文方法与支持向量机（Support Vector Machine,SVM）、K近邻（K Nearest Neighbor,KNN）、随机森林（Random decision Forests,RF）、原始信号集作为输入的卷积神经网络和原始特征集作为输入的卷积神经网络等传统模式识别方法的对比实验,通过比较各方法下的识别正确率、交叉熵损失及识别时间等指标,证明了本文方法对下肢动作模式识别的有效性和优越性,为康复机器人、助力机器人等设备改善运动功能提供理论依据。