表面肌电信号(Surface Electromyography，SMEG)作为一种重要的生物电信号，已经被广泛应用于仿生学、生物反馈、运动医学和康复工程中。近年来，基于动作SEMG信号的手势识别技术作为一个研究热点，被开发作为人机交互的控制信号，用于控制肌电假肢、辅助装置以及其他电子设备。 在手势动作SEMG信号的模式识别研究中，模式识别算法的设计与应用是成功识别的关键，并且具有重要的理论意义以及实际的工程应用价值。本文采用模糊模式识别算法对手势动作SMEG信号进行模式识别研究，为基于动作SMEG信号的人机接口设备的实时控制打下了良好的基础。 论文的研究内容，研究成果以及创新点有： 1.完成了手势动作SEMG信号的预处理、活动段检测和特征提取。利用20Hz～500Hz的带通滤波器对采集到的原始SEMG信号进行预处理，以抑制噪声和消除基线漂移；采用移动平均算法对活动段进行检测，以判断有效动作信号的起始点和终止点；特征提取方面，运用时域参数特征及AR模型系数特征对手势SEMG信号的进行了特征提取。 2.将模糊推理分类器应用于手势SEMG信号的模式识别中，并针对基于K-means提取规则的模糊推理分类器(KFIS)的需要手工设定模糊规则数目以及对初始化参数十分敏感的缺陷，提出了一种改进型的模糊推理分类器——自适应提取规则的模糊推理分类器(AFIS)。通过对两种分类器进行了对比实验，从统计意义上验证了AFIS分类器在手势SEMG信号分类识别上相对于KFIS分类器的优势。 3.设计并实现了一个多通道手势动作SEMG信号采集、识别以及交互系统。测试结果表明，该系统能完成手势动作SEMG信号的采集存储、模板建立、手势识别和图形交互控制等功能。