骨骼肌的收缩是人体完成各种日常行为动作的动力来源，肌电信号是获取肌肉活动信息的重要手段。表面肌电信号(Surface Electromyography，SEMG)是通过在皮肤表面贴置电极的方法采集到的肌肉活动时产生的生理电信号，具有无创、安全、方便、可靠等优点。近年来，表面肌电采集设备的小型化和便携化实现，以及与其他相关传感器的有效结合促进了SEMG在临床诊断、人机交互、动作识别、康复工程等研究领域的广泛应用。　　 本论文主要探索基于表面肌电信号的人体步态分析技术及其在情境感知和神经康复工程中的应用，主要研究工作和成果如下:　　 (1)情境感知中人体动作识别和室内定位研究。　　 情境感知是人们利用多传感器技术（如惯性传感器，计算机视觉等）更加深入全面地感知自身状况和周围环境，以实现更加智能的交互体验的一种技术。目前流行的基于位置的服务、移动健康监护、虚拟现实等应用均涉及到情景感知技术。信息的获取是情境感知中的重要问题。由于人体运动过程中骨骼肌产生的肌电信号包含了大量的生理和运动信息，本文利用从下肢肌肉采集到的表面肌电信号实现了人们日常生活中常见下肢动作的识别，并在此基础上利用步行者航位推算(PDR，Pedestrian Dead Reckoning)方法实现对行人的实时定位。研究内容涉及基于表面肌电的步长模型建立，以及结合电子罗盘输出方向信息的行人相对位移推算，实现了一种基于下肢肌肉表面肌电信号的步态识别和PDR的解决方案。实验结果表明，采用本文提出的人体动作识别和室内定位方案，下肢动作识别的准确率可达到98％以上，位置推算的精度可达到了传统PDR算法水平，在场地实验中行走的估计距离与实际距离之间的误差低于2％。本论文实现的基于SEMG信号的步态识别和PDR技术，为个人室内导航提供了一种新途径。　　 2)神经康复工程中下肢行走功能的评估。　　 肌肉的活动受神经系统的控制，神经疾病患者的临床症状经常表现为肌肉功能的异常。此工作的研究目标是:在健康人步态分析方法的基础上，对下肢功能障碍的小儿脑瘫(CP，Cerebral Palsy)患者行走过程中相关肌肉的活动特点进行分析，评估患者的行走功能，并进一步研究神经系统对下肢肌肉控制策略的变化。　　 研究中选取了负责行走的4块下肢肌肉（胫前肌、腓肠肌、股外侧肌和股直肌）同步采集表面肌电信号和小腿处的加速度信号，利用加速度信号作步态周期检测，然后在时频域内分析各通道肌电信号的特性，并与同龄正常儿童组的数据作对比，得到统计意义上的明显差异，反应出小儿脑瘫患者肌肉收缩特性的异常。通过对步态周期内各通道肌电信号包络(EMG Profile)的提取，并计算其变异参数(CV，Coefficient of Variation and VR，Variance Ratio)，评估患者行走功能状况。为验证本文提出方案的有效性，开展了包括六名小儿脑瘫患者和两名正常适龄儿童的实验，并利用上述方法提取了步态周期内的肌电活动模式和加速度模式。结果表明，本文提出的基于加速度信号的步态周期检测和分割的算法是有效的，且降低了由于步态周期时长差异对后续处理造成的影响。变异系数在不同组之间具有显著性差异，与临床诊断结果表现一致。因此，本文提出的研究方法和结论不但可为临床提供了一种肌肉功能的评估方法，而且对探索小儿脑瘫患者神经系统肌肉控制方式变化具有重要意义。