冻结步态是一种偶发性下肢运动障碍症状,开展准确及时的参数化监测对帕金森病等相关疾病的临床诊断、病情评估和康复治疗方案的制定具有重要作用。由于冻结步态的偶发性,在实验室环境下难以捕捉,目前依赖于量表的主观临床评估方法无法准确把握冻结步态的严重程度及时机,影响疾病诊疗,甚至可能导致漏诊或误诊。因此需要发展一种能够融入生活的冻结步态客观监测方法。惯性测量单元（Inertial Measurement Unit,IMU）和压力鞋垫都是在日常生活中监测冻结步态的理想设备,但是二者单独使用均存在鲁棒性差的问题。为实现鲁棒可靠的冻结步态监测,本文采用IMU信号和压力鞋垫的足底压力分布信号融合的技术路线。然而,由于当前研究基于IMU的监测方法设备穿戴流程繁琐,压力鞋垫的数据规模大、功耗高,无法实现长时间监测,所以IMU穿戴方案的优化和压力鞋垫的数据精简是多模态融合方法能够融入生活的前提条件。另外,从IMU信号和足底压力分布信号中提取鲁棒性高的冻结步态特征是保证该融合方法鲁棒可靠的重要基础。为此,我们在进行多模态融合之前分别基于IMU信号和足底压力分布信号探索研究了高鲁棒性的冻结步态监测方法。首先,研究提高基于IMU信号的冻结步态监测模型鲁棒性的方法,并进行IMU穿戴方案优化,实现IMU设备的轻便易用;其次,研究提高基于足底压力分布信号的冻结步态监测模型鲁棒性的方法,并进行压力鞋垫数据精简,实现压力鞋垫的轻便易用;再次,由于IMU和压力鞋垫所获取的步态信号具有信息互补的特点,采用自适应加权的方法将IMU信号和足底压力分布信号进行特征级融合以进一步提升冻结步态监测的准确性;最后,基于多模态融合的方法,将IMU和压力鞋垫集成优化,构建并实现冻结步态监测预警原型系统。本文主要工作简介如下:（1）针对现有基于IMU信号的冻结步态检测方法鲁棒性较差的问题,根据IMU信号特点设计了一种新型冻结步态检测方法。该方法采用卷积神经网络自动学习特征表示,循环神经网络建模特征间的时间依赖关系,并通过引入压缩激活块和注意力机制提高了方法的鲁棒性。实验结果表明,相较于已有基于IMU信号的冻结步态检测方法,该方法实现了更好的检测效果。针对IMU设备穿戴流程繁琐的问题,通过实验对比分析,确定了 IMU的最佳穿戴位置为双侧脚踝,有效采样频率为30Hz以上。（2）针对目前基于足底压力分布信号的冻结步态检测方法的研究仍处于起步阶段,且数据规模庞大的问题,根据足底压力分布信号的特点提出了一种新型的冻结步态检测方法。首先,提出了一种改进的足底压力自动分区算法,并基于足底压力分布信号的时频特征构建了冻结步态检测模型,验证了足底压力分区是高鲁棒性足底压力分布信号特征提取的有效方法。然后,基于卷积神经网络构建了时间流网络模型、空间流网络模型、时空混合流网络模型和三流网络模型,进行冻结步态检测任务。相较于其他三种网络模型,时空混合流网络模型利用了基于足底压力分区方法和步态的周期性特点所构造的足压时空图,实现了压力鞋垫数据精简,且具有较高的鲁棒性。（3）为实现高鲁棒性的冻结步态检测,基于以上两种冻结步态检测方法的研究成果,采用自适应加权的方法将足底压力分布信号和IMU信号进行特征级融合,提出了多模态融合的冻结步态检测方法。相较于单模态模型,多模态融合的方法提升了冻结步态检测的准确性。另外,提出了基于冻结指数比的预冻结类别自动标记方法,并使用多模态融合模型进行冻结步态预测,相较于直接将冻结步态发作前2.5秒的数据标记为预冻结类别,该方法所生成的预冻结样本数量更多且预测的准确性更好。（4）基于本文提出的多模态融合的冻结步态监测方法,将IMU和压力鞋垫集成优化,构建并实现了冻结步态监测预警原型系统。该系统可满足患者对冻结步态实时监测预警的需求,同时也能满足医生对冻结病症辅助诊断及管理的需求。