人体下肢行为识别是下肢外骨骼机器人系统中重要的组成部分,为了使下肢外骨骼可以可靠、实时、有效的运行,需要对人体行为动作做出识别,提供外骨骼运动选择策略,增加外骨骼与穿戴者之间动作的协调性。本文基于多模态传感器信号对人体下肢多个动作步态进行识别分类,将人体上下楼梯和平地行走的步态分为摆动相和支撑相,针对这六个相位,设计了采集识别硬件系统,采集人体运动过程中的表面肌电（sEMG）信号和加速度信号进行分类识别,实现六个相位平均识别率96.92%,动作算法识别时间在300ms以内,本文主要完成的工作包括以下部分:（1）步态采集识别系统整体硬件的设计与实现。依据表面肌电信号的特点设计了肌电采集电路,并设计了肌电信号采集使用的双极性电源系统;选型了 IMU采集加速度信号,设计了 IMU接口;使用柔性足底-地面接触力系统,采集足底信息,方便划分活动段;选型肌电信号模拟转数字的ADC,设计了 AD7607电路;基于数据采集和数据处理复杂度,选型了主控STM32F746ZGT6;将系统部分电路集成到一块PCB上,层叠结构将系统整体硬件系统整合。（2）数据采集与信号预处理。异步采集不同频率信号,通过AD7607采集表面肌电信号,通过IMU采集人体运动加速度信号,通过足底-地面接触系统采集足底信息,使用二级缓存、同步聚合将三种信号同步到10ms的时间窗。对采集到的信号进行实时滤波处理,滤除干扰,保留主要特征信息。选择表面肌电信号作为活动段划分的依据,依据表面肌电信号使用AMA方法进行活动段划分,同时基于AMA方法设计了快速循环队列检测活动段方法。（3）分类识别算法实现。基于提取出的活动段数据训练卷积神经网络（CNN）用于动作识别分类,基于Keras设计CNN针对表面肌电信号和加速度信号进行上下楼梯和平地步行摆动相和支撑相的分类识别,最终平均识别率达到较高水准。（4）算法移植和硬件实现。将训练好的CNN网络通过Cube.AI移植到主控中,移植后压缩算法使用资源,算法识别率略有下降,在主控中识别算法较短,可以到达实时识别的要求。然后对整个系统程序任务部分进行移植,包括外设、定时器、任务优先级等,完善系统整体部分。