外骨骼机器人是一种增强人体下肢运动能力的可穿戴设备,融合了传感网络、模式识别、控制系统、信息处理等技术,通过结合人的智力和机器人的动力来增强人体的运动能力,既提高了机器的智能化程度,又增强了人的身体机能。作为一种人机结合的穿戴式设备,在人机运动过程中,穿戴者的不同容易导致人机之间动作不协调等问题的发生,因此准确识别不同穿戴者的运动意图是实现外骨骼机器人柔顺性控制的一个重要前提。论文主要围绕外骨骼步态相位检测和运动意图识别两个部分展开研究,主要工作内容如下:（1）设计了外骨骼机器人运动数据采集系统。该系统采用Modbus串行通讯协议,通过高速RS485总线和传感器通信。根据人体行走特点,在足底着地点安装了三个压力传感器,在髋关节和膝关节处安装了角位移传感器,分别用于测量足底与地面接触情况和关节角度变化。实时采集多人穿戴外骨骼机器人行走过程中的足底压力数据和关节角度数据。（2）采用长短期记忆神经网络（Long-Short Term Memory,LSTM）算法实现基于关节角度的步态相位检测。论文基于足底压力和关节角度将平地行走时的步态相位划分为足跟着地、全足着地、足跟离地、摆动相前期和摆动相后期五个步态相位,分别采用支持向量机（Support Vector Machine,SVM）、反向传播（Back Propagation,BP）神经网络以及LSTM通过关节角度完成步态相位检测。相比于SVM和BP神经网络,LSTM能够提取步态相位数据中的时序信息,减少步态转换时相位反复跳跃现象,提高步态相位检测准确率。（3）利用改进长短期记忆全卷积网络（Long-Short Term Memory Fully Convolutional Networks,LSTM-FCN）完成外骨骼运动意图识别。对外骨骼机器人不同地形下的传感器数据进行分析,利用滑动窗口对摆动相数据采样,通过Inception结构对LSTM-FCN进行优化。与卷积神经网络（Convolutional Neural Networks,CNN）、LSTM和LSTM-FCN进行对比,改进LSTM-FCN在降低网络参数的同时,提高了网络的性能。针对错误的模式识别结果,使用有限状态机（Finite State Machine,FSM）进行纠错处理,降低运动意图识别错误率。在外骨骼的运动意图识别上应用LSTM,利用LSTM提取时序特征的能力提高步态相位检测和运动意图识别准确率,为外骨骼机器人的柔顺性控制打下基础。