表面肌电信号记录了在肌肉自主收缩时由肌肉纤维产生的电生理活动。它作为生物/机械人机接口的一种重要输入信号在电动假肢手控制中得到了广泛地应用,该方法也被称作肌电控制。肌电人机接口的主要功能是识别肌电信号的动作模式,从而为肌电控制提供准确的动作指令。为能控制多自由度灵巧假肢手,人机接口系统需要从肌电信号中解码出多种手部和腕部动作所对应的肌电模式,并保证其具有足够的分类精度。本文将侧重研究肌电特征提取和分类算法。主要的工作如下:为了从肌电信号中提取高阶统计信息,本文采用双谱变换来分析信号,并使用双谱积分方法和Fisher线性判别投影方法提取双谱矩阵中的特征量。在实验中,我们采用Davies-Bouldlin系数和各种不同分类器来分析肌电高阶信息对动作分类效果的影响。实验结果表明双谱特征在类-类分离性和动作识别率上要好于其它一阶或二阶肌电特征。本文使用肌电信号的频率信息来进行动作分类,提出一种从傅里叶系数中导出倒谱系数的特征提取方法,其计算主要采用快速傅里叶变换和离散余弦变换实现。基于Fisher比例系数的特征选择用来从倒谱系数中获取具有最佳区分度的肌电特征。另外,我们还提出了一种特征层次的后处理方法来进一步增强肌电特征区分性。实验说明倒谱特征不仅具有较高的动作识别率而且运算速度也比较快。针对在动作开始阶段的爆发态肌电信号具有较强的非平稳特性的特点,本文提出一种结合复指数局部基函数(SLEX)和局部区分度最优基算法的肌电信号处理方法。该算法将肌电信号分割成具有局部定位性的时间块,以提取其中的时变特征并进一步提高动作识别率。为让分类器适应肌电信号具有的时变特性,本文将研究一种自增强分类方法。该方法在静态分类器中加入了一个自适应算法,能在测试阶段对分类器参数进行更新,从而进一步提高分类器性能。本文提出的自增强方法的主要优点是通过使用参数更新算法让分类器具有自适应演化能力,从而增强人机接口的自适应性。本文的主旨是通过理论与实践相结合的分析比较,设计适合在肌电信号分类中使用的肌电特征和分类器。实验结果分析说明本文提出的肌电模式识别方法可以有效地提高多模式动作肌电信号的分类正确率。另外,我们把本文提出的肌电模式识别算法嵌入基于DSP的实时小型硬件平台,为肌电控制应用奠定基础。