步行是人类最常见的一种运动形式,也是一种较为复杂的周期性运动,而步态分析就是对人体行走时的各种信号进行测量,根据信号的变化进行时空特征与运动学特征分析的一种方法。足底压力信号作为肢体运动重要的生物力学信息,与肢体运动模式之间存在密切联系,不同的步态动作对应生成不同特征的压力信号。通过压力信号与步态模式的对应关系,可以识别不同的步态动作,因此本文开展了基于连续分布式足底压力测量的步态分析的研究课题。但是由于单一的压力传感器无法描述出人体步态动作的全部信息,因此在压力传感器的基础上加入MEMS惯性传感器实现对人体步态的分析。本文首先搭建了人体步态数据采集系统。步态数据采集系统由步态信息感知模块、基于微处理器的数据采集从模块、含有无线数据传输单元的主模块和上位机处理模块四部分组成。在本课题中将IMU惯性传感器固定于足跟处来感知人体正常行进时的姿态信息,将4个薄膜压力传感器分别放置于足拇指、第一跖骨、第四跖骨和足跟处来感知人体行进时的压力信息。其次本文设计了步态数据滤波算法、空白数据段去除和步态分割算法,并分析了一个步态周期段内不同步态模式下加速度、角速度、压力、四元数等传感器数据的特点,以此为基础提取了一个步态周期段内的75个步态统计特征和6个步态物理特征,并对这些特征进行归一化。最后设计了步态模式识别算法,采用支持向量机对不同步态模式进行了识别。在识别之前考虑到初始特征比较多,并且SVM算法模型的训练结果比较依赖特征的选取,因此本文采用relief F算法对所有的步态特征按照特征权重进行排序,然后对排序好的特征构成不同的特征子集,并利用KNN算法对不同特征子集的优劣进行评价,最后选择出最优的特征子集用于SVM算法模型的训练,在采用SVM算法对模型训练时,合适核函数参数和惩罚因子对模型的精度起至关重要的作用,因此本文采用遗传算法对参数进行了寻优,经过参数寻优后的SVM算法具有较好的泛化性能。论文对8种常见的步态模式进行了识别实验。实验结果表明,采用遗传算法对参数寻优后的SVM算法对特征选取后的33维特征构成的特征子集的识别效果较好,识别率达到99.41%。