表面肌电信号(surface electromyography, sEMG)是人体自发运动时神经肌肉活动发出的生物电信号，反映了神经、肌肉的生理活动和状态，在临床医学、运动医学、人机工效学、康复医学、神经生理学和电生理学等领域被广泛应用。肌肉在持续的收缩过程中，会逐渐进入疲劳状态。本文以前臂肌肉在静态、循环、随机三种不同的状态下的肌电信号为研究对象，运用多种非线性时间序列分析方法，对sEMG信号的性质、疲劳sEMG信号特征信息的提取和动作sEMG疲劳评估等在理论上进行了新探索，所做主要工作及创新之处如下:　　 本文在肌电信号的特征提取方面，采用了非线性动力学中的模糊近似熵和辛几何熵来提取非线性的肌肉特征参数作为估计器的输入特征向量。模糊近似熵算法是近似熵算法的改进，可以更好的衡量一个序列的复杂程度;辛几何熵算法则运用了相空间重构原理，提取信号的主分量谱，再运用香农熵获得主分量谱的复杂程度。这两种算法都适用于非线性时间序列的分析。根据实际情况，获得了特殊性更高、分离度更明显、表征能力更强且更为简单的肌电特征向量，进而分析这些特征量与肌肉疲劳程度的关系，并判断出肌肉是否进入疲劳状态及其疲劳程度。在评估肌肉疲劳方法方面，选取支持向量回归机(SVR)作为估计器，并运用多变量映射的新方法，分别对得到的模糊近似熵、辛几何熵及二者联合这三类特征作回归分析，验证了肌肉在不同的时刻的疲劳状态。比较了三种特征的正确率与准确率差异以及拟合肌肉疲劳的程度。　　 本文创新性的提出了将模糊近似熵和辛几何两种算法相结合处理肌电信号。分析计算结果表明，在静态、随机、循环三种状态下，模糊近似熵和辛几何熵均可对肌肉疲劳程度做出有效、定性的评估，相对而言模糊近似熵更适合评估肌肉的疲劳程度及sEMG在整个肌肉疲劳过程中的变化，识别速度也更快。二者联合的特征量可得到更优的结果。通过多变量映射函数对特征进行支持向量机回归处理可以直观的观察肌肉在某一时刻的疲劳程度，为后续的疲劳肌电在运动医学和康复医学中的应用提供了理论依据。