人体运动信息采集和模式识别是人体意图判断、医疗健康、VR虚拟人机交互、可穿戴外骨骼机器人控制等多个领域的研究基础。在可穿戴式外骨骼机器人中,监视和识别人体运动模式尤为重要。可穿戴外骨骼运动控制的前提是能够在进行下一步控制之前判断当前运动情况。可穿戴设备也被频繁设计并广泛应用于医疗保健应用。帕金森氏病的特征可以通过分析步态的变化来评估,步态监测系统可帮助提供患者的实时状态,这有助于医生制定准确的康复计划。然而,现有的步态监测系统难以满足日常监测需求,传统传感器与人体固定方式都是靠绑带固定或者靠胶带固定的。这给人体运动带来了阻碍和不适。将传感器固定在某个位置,使导线暴露在外面并且容易出现故障,受试者可能需要手持电源,采集卡等,这些采集系统很不方便。另一方面,目前研究面临着采集信号源单一,受试者数量较少,受试者运动模式较为单一,运动模式的识别正确率偏低等问题。为了解决上述问题,本课题设计制作了便携式采集的服装系统,传感网络包含多个信号源,对十个受试者进行九种下肢常见运动,运动模式识别正确率高达99.96%。本文的主要工作包括以下几点:1、设计合理的传感网络,选择传感器类型和安装位置,采集人体下肢运动信息包括足底压力信号,膝关节、髋关节角度信息和大小腿角度信息等,尽可能使用较少的传感器件而又能较全面的反映下肢人体运动特征。2、设计并制造了一种用于下肢步态监测的可穿戴采集系统,传感网络与服装有机结合,提高了整个采集系统的便携性。在数据处理中进行了校核和使用了一阶惯性滤波和卡尔曼融合方法,提高了测量的精度。并设计制作了LabVIEW人机交互界面,可实现人体下肢步态信息的实时监控。3、利用设计制作的便携式采集系统进行了人体下肢运动数据采集实验,采集了十个受试者的九种常见下肢动作。用移动窗口平均值和标准化提取数据特征,并对不同传感器数据组合训练出的分类模型进行比较,从多个评价指标分析得出最佳传感信息组合,验证了传感网络设计的合理性。最佳信息组合和分类器对九种下肢运动模式的模式识别正确率高达99.96%。