随着人口老龄化的不断加剧,一些疾病的发病率和发病人数在近几年有着显著的上升趋势,因此对于这些疾病的提前预知和辅助诊断尤为重要。许多疾病的症状都会在连续行走的步态中得到体现,它会影响行走的步速,步幅,步频以及足底压力等特性。随着可穿戴式健康监测系统(Wearable health-monitoring systems,WHMS)在近几年的蓬勃发展,通过可穿戴式健康监测系统可以对人体行走时的步态信息进行采集,以达到健康监护和辅助诊断的目的。本研究基于可穿戴智能鞋,采集了包含四种异常步态,一种正常步态的单步步态数据集。研究了两种基于深度学习的步态识别方法,使用长短期记忆神经网络算法(Long Short-Term Memory,LSTM)和一维卷积神经网络算法(1D-Convolutional Neural Network,1D-CNN)实现了不同种步态的识别。首先,我们研究了多种异常步态的病因及特征,根据疾病具有常见性,可预测性和异常步态具有规律性的原则选取了四种异常步态。介绍了对步态数据预处理所需的各种步骤。介绍了如何从连续行走过程中提取出单个步态片段,根据正常人的行走特征将一个单独步态提取出关键的五个时间特征节点,并依此对连续步态进行分割。对四种异常步态和一种正常行走步态进行具体分析,确保分割结果的准确性。其次,论文针对步态识别问题,对两种处理时间序列的深度学习算法进行了研究。介绍了长短期记忆神经网络的结构和训练过程,介绍了长短期记忆神经网络如何对传统循环神经网络进行改进以适应较长的时间序列。介绍了卷积神经网络的结构及训练方法,以及如何对卷积神经网络进行改进以使其可以处理一维时间序列数据。最后,根据正常人静止站立与行走时的加速度以及足底压力特性选择了合理的传感器布局,并采集了包含五种步态的数据集。使用PyTorch深度学习框架搭建了长短期记忆神经网络和一维卷积神经网络,对五种步态进行识别。实验结果表明两种深度学习算法均可以达到较好的识别效果。