针对外骨骼机器人在人机交互、医疗康复中的人体运动步态准确识别问题，提出一种基于人体模型约束的步态动态识别方法。首先，利用AMS仿真软件建立不同运动的仿真模型，根据模型约束划分步态相位，并通过回归映射建立真实数据与仿真数据间的对应关系；然后，将柔性压力传感器采集的足底压力数据以及惯性测量单元采集的足部位移数据融合为足部运动数据，并根据动态变化结合模型约束条件动态分割运动数据，以判断步态相位；最后，搭建卷积神经网络（CNN）识别行走步态相位。实验结果表明，所提方法的行走动作步态平均识别准确率为94.58%，上、下楼梯动作的平均步态识别准确率分别为93.21%和94.64%，与未经动态分割的足底压力数据的步态识别相比，分别提高了11.34、12.19和16.03个百分点。可见，通过经动态分割的足部运动数据进行CNN识别具有较高的准确率，且适用于不同动作的步态识别。
学习图中节点的潜在向量表示是一项重要且普遍存在的任务，旨在捕捉图中节点的各种属性。大量工作证明静态图表示已经能够学习到节点的部分信息，然而，真实世界的图是随着时间的推移而演变的。为了解决多数动态网络算法不能有效保留节点邻域结构和时态信息的问题，提出了基于深度神经网络（DNN）和门控循环单元（GRU）的动态网络表示学习方法DynAEGRU。该方法以自编码器作为框架，其中的编码器首先用DNN聚集邻域信息以得到低维特征向量，然后使用GRU网络提取节点时态信息，最后用解码器重构邻接矩阵并将其与真实图对比来构建损失。通过与几种静态图和动态图表示学习算法在3个数据集上进行实验分析，结果表明DynAEGRU具有较好的性能增益。
