假肢在残疾人的生活中起着至关重要的作用,大多数截肢患者通过佩戴假肢来解决行动障碍。智能下肢假肢不仅能够代替截肢患者失去肢体的部分功能,还能帮助患者恢复一定的生活自理能力和工作能力。人体运动意图识别在智能下肢假肢研究中尤其重要,准确、及时地识别出残疾人的运动意图能够帮助患者实现自然、流畅、稳定的行走。目前,国内外关于智能下肢假肢的运动意图识别研究正在如火如荼的进行。现有的研究通常根据嵌入在假肢上的传感器所收集的信号和残肢上的人体生物信号,由先验知识选择合适的特征,通过模式识别的方法实现行为意图识别。但是,传统方法大多应用多种类型的传感器来采集数据,这会额外地引入多源数据融合和异质数据干扰等问题;其次,传统研究往往根据患侧在运动模式转换后产生的动作捕捉数据判断患者的运动意图,这可能使得意图识别过程存在滞后性。基于此,本文提出了两类基于惯性动捕数据的智能下肢假肢运动意图实时识别方法。其一,为了解决意图识别的滞后性问题,本文在第二章中首先对智能下肢假肢的运动模式,尤其是运动转换模式,进行了重定义。然后,在患侧的运动模式进行转换之前,仅采用绑定在健侧的惯性传感器于摆动相前期所产生的时序数据作为样本,选择均值、方差等特征统计量和支持向量机分类器对其进行特征提取与特征分类。实验结果表明,该方法能够准确地预测13类下肢截肢患者的运动意图。其二,传统方法与第二章所提出的方法均采用手工提取特征的方法,这从一定程度上依赖于人类知识与专家经验。由于深度神经网络能够自动地学习低层次到高层次的分布式特征,本文在第三章中以此自学习特征代替手工特征,提出了一种残疾人运动意图识别的新方法。具体来说,以数据驱动的方式,采用卷积神经网络建立健康腿的运动状态与残疾人运动意图之间的映射关系。实验结果表明,该方法能够自动地学习意图识别数据特征,并且准确地预测下肢截肢患者的运动意图。