表面肌电信号是一种从肌肉表面通过表面电极采集的生物电信号，它在一定程度上能够反映出肌肉的功能以及动作状态。从表面肌电信号准确地提取信号的主要运动特征信息并完成动作识别是表面肌电信号研究的关键性问题。本文针对日常的手部动作识别分类问题，研究表面肌电信号的特征提取和模式识别。本文研究工作有以下几个方面：1.阅读大量有关肌电信号，模式识别分类及优化算法的论文，了解表面肌电信号的理论基础、产生机制，以及近些年国内外在肌电假肢、肌电信号分类方法问题上的研究进展。2.根据局部解剖学，确定与所选手部动作有关的肌肉作为表面肌电信号采集源，通过MQ-8肌电信号采集仪完成四种手部动作信号的采集。由于采集的原始肌电信号中含有许多噪声干扰，本文软件上设计高通、低通滤波器，陷波器完成对原始肌电信号的去噪处理，保留有效的肌电信号；采集的连续肌电信号不方便对信号进行特征提取，本文采用移动窗能量判别法对其进行截取处理。对采集的原始肌电信号进行预处理，有助于四种动作肌电信号的模式识别。3.对表面肌电信号在时域、频域、时频域三个方面特征提取，通过三者比较选择能够清晰分辨四种动作的特征，作为表面肌电信号模式识别的依据。本文利用小波包分析，选择小波包系数方差作为特征向量用来区分四种动作的特征向量，在尽量减少特征向量数量的情况下，同时保证分类效果。4.根据常见的分类算法，选择适合于表面肌电信号模式识别分类的方法，研究BP神经网络、SVM算法、AdaBoost算法、以及对AdaBoost算法的改进。本文利用BP神经网络、SVM算法、AdaBoost算法作为对比实验，计算三种方法对四种动作的识别率，分析AdaBoost算法在表面肌电信号动作分类的优势，以及AdaBoost算法在疲劳肌电信号干扰下的识别能力，同时，计算各种算法完成动作分类的迭代次数。5.进行了仿真实验，结果表明，本文研究的AdaBoost算法在表面肌电信号在训练的过程中，保证准确率的同时，对疲劳状态下的识别也有很好的效果，达到了论文预期目的。