La investigación sobre robots de rehabilitación está avanzando gradualmente hacia la combinación del reconocimiento de la intención humana con estrategias de control para estimular la participación del usuario. Con el fin de mejorar el rendimiento interactivo entre el robot y el cuerpo humano, proponemos un algoritmo de reconocimiento de intención de movimiento humano basado en aprendizaje automático utilizando información de sensores como fuerza, desplazamiento y velocidad de las ruedas. El sistema propuesto utiliza el algoritmo de memoria a largo y corto plazo bidireccional (BILSTM) para reconocer acciones como caer, caminar y girar, cuya tasa de precisión ha alcanzado el 99.61%. Además, se propone un controlador adaptativo de modo deslizante de red neuronal de función de base radial (RBFNNASMC) para rastrear y controlar la intención de comportamiento del paciente y la marcha del exoesqueleto de extremidades inferiores, y ajustar los pesos de la red RBF utilizando la ley adaptativa. Esto puede lograr una estimación dinámica de las fuerzas de interacción humano-robot y perturbaciones externas, y proporciona al motor de la articulación del exoesqueleto un par de conducción adecuado. La estabilidad del controlador se demuestra utilizando la teoría de estabilidad de Lyapunov. Finalmente, los resultados experimentales demuestran que el clasificador BILSTM tiene un reconocimiento más preciso que el clasificador convencional, y el rendimiento en tiempo real puede satisfacer la demanda del ciclo de control. Mientras tanto, el controlador RBFNNASMC tiene un mejor efecto de seguimiento de marcha en comparación con el controlador PID.