人行走过程中的足底压力能反映下肢乃至全身的结构和功能等方面的信息,足底压力特征的提取和分析在运动障碍诊断及康复、触觉感知机制研究和步态识别等领域有重要意义。而目前可应用于上述领域的足底压力特征识别系统鲜见文献报道,故本文通过对步态的动力学特性分析,设计一种足底压力采集与分析系统,并利用深度学习实现足底压力特征识别。首先,设计了实时采集人行走过程足底动态压力的采集系统。设计了每平方厘米2个传感器的足底压力高速采集装置,下位机采用了多通道并行采集架构,完成了压力信号采集、信号调理、数据传输等功能,并通过缩短压力信号传输距离降低传输损耗,进而提高了压力信号的信噪比。上位机完成了采集控制、数据读写、特征提取以及步态识别等功能,并基于高斯滤波器实现了足底压力热力图的构建。经实验验证,系统误差满足设计要求。然后,应用上述采集系统获取了42名受试者行走时的足底压力数据。为了充分刻画足底压力特征,基于足部解剖学结构,将一种针对静态图片的足底分区方法应用于足底压力的动态特征提取,获得了步长、步宽等步态基础参数以及冲量、压力中心轨迹、足底压力图谱、面积比值等特征参数。从实验数据中提取的上述参数均符合步态的动力学特性,实现了足底压力特征有效提取。最后,为了实现步态的准确识别,提出了基于深度学习的足底压力特征分类方法。将获取的动态特征参数编码为二维格拉姆角场,利用多通道卷积神经网络（Convolutional Neural Network,CNN）对特征图进行分类,采用支持向量机替换CNN的部分全连接层和Softmax分类器,提高了分类效果。此外,由于该方法剔除了足底压力数据中易受行走模式影响的信息,使基于该方法的步态识别具有更强的抗干扰能力。本文所设计系统在步态识别领域具有广阔的应用前景,为基于足底压力的步态识别提供了技术支撑,同时也为足底压力在医疗、体育训练、神经科学等领域的应用提供了一种新的平台。