步态指人体在神经系统控制下,由运动系统相互协同表现出的步行动作。运动障碍类疾病,如帕金森综合征、脑卒中、偏瘫、小脑共济失调等都会导致步态异常。随着我国老龄人口增加,由神经疾病、肢体损伤等原因造成的异常步态情况日益增多。步态分析能够定量评估运动障碍疾病患者的身体状况,对疾病诊断和后期恢复具有重要作用。目前人工步态分析需要专业医学知识,且分析结果易受主观影响。现有步态智能分析方法对步态数据采集设备要求高、且算法存在诸多不足。为解决上述问题,本文使用双流卷积神经网络算法对步态视频进行异常分类和检测,并针对步行与其他运动的区别改进算法。对双流中空间流支路使用关键帧抽取算法,提高单帧的分类效果;对时间流支路,在自注意力机制的启发下,使用non-local block进行改造,以提取时间维度上的长距离依赖关系。考虑到当前人体姿态估计算法已取得较高的准确度,且采集深度图像的设备如Kinect被广泛使用,本文使用3D空间人体关键点作为运动数据。本文参考了2D空间人体关键点的动作分类算法,对运动数据使用时空图建模并使用图卷积算法处理,并引入自适应图卷积提高算法的适应性,结合人体结构和时域运动特征,提升异常步态的分类效果。最后,基于上述算法,本文设计并实现了一套运动障碍疾病诊断与恢复辅助系统。该系统结合了算法分析和模型修正功能,为医生和患者提供步态分析、诊断参考、步态参数计算、结果汇总展示等服务。测试表明系统在功能、性能和算法上达到了设计目标。