La prótesis inteligente de extremidades inferiores aparece en la vista pública debido a sus funciones atractivas y potenciales, que pueden ayudar a los amputados a restaurar la movilidad y regresar a una vida normal. Para realizar la transición natural de los modos de locomoción, la clasificación de modos de locomoción es la máxima prioridad. Hay principalmente cinco movimientos en estado estable y periódicos, que incluyen LW (caminata nivelada), SA (subida de escaleras), SD (bajada de escaleras), RA (subida de rampas) y RD (bajada de rampas), mientras que ST (de pie) también puede considerarse como un modo de locomoción (al inicio o al final de la caminata). Este artículo propone principalmente cuatro características novedosas, que incluyen TPDS (forma del diagrama de fase del muslo), KAT (trayectoria del ángulo de la rodilla), CPO (desplazamiento de la posición central) y GRFPV (valor máximo de la fuerza de reacción del suelo) y diseña un clasificador ST y un clasificador de red neuronal artificial (ANN) utilizando un conjunto de datos dependiente del usuario para clasificar seis modos de locomoción. Se aplican distribuciones gaussianas en esas características para simular la incertidumbre y el cambio de las marchas humanas. Se utiliza un umbral de velocidad angular y la característica GRFPV en el clasificador ST, y el clasificador de red neuronal artificial (ANN) explora la relación de mapeo entre nuestras características y los modos de locomoción. Los resultados muestran que el método propuesto puede alcanzar una alta precisión del 99.16% +/- 0.38%. El método propuesto puede proporcionar la intención de movimiento precisa de los amputados al controlador y mejorar en gran medida el rendimiento de seguridad de las prótesis inteligentes de extremidades inferiores. La estructura simple de la ANN aplicada en este artículo hace posibles los algoritmos de aprendizaje en línea adaptativos en el futuro.