表面肌电信号（Surface Electromyography,s EMG）是一种肌肉收缩时在皮肤表面产生的生物电信号,在一定程度上反映了肌肉的运动状态。得益于人工智能、材料科学等领域的高速发展,学者们对基于s EMG的手势识别研究也愈发深入,其研究成果在康复医疗、假肢控制等领域也得到了广泛应用,但能否精准地识别各种手势动作是提高其应用广度的前提条件,因此如何建立一套高精度的手势识别系统是本文研究的重点。本文就构建分类模型、设计特征及通道约简方案三个方面进行实验探究,最终设计了一套高效的手势动作分类模型,具体研究内容如下:本文所用实验数据为浙江大学耿卫东教授课题组公开的Capg Myo数据库,该数据库中的肌电信号是通过阵列电极采集的高密度肌电信号。在表面肌电信号的采集过程中,包含较多的非动作段信号以及大量的噪声信号,对最终的手势分类识别造成了一定的负作用。本文在完成信号滤波的基础上,再对动作段信号数据进行提取。RMS曲线法可以有效的绘制出动作段信号区间,通过设置合适的阈值,准确的提取出动作段信号数据,利用滑动加窗法对信号数据进行截取,在保证信号连续性的同时,对实验数据进行再填充,满足了深度学习方法对数据样本量大的需求。虽然深度学习具有强大的学习能力,能有效地提取出隐含在s EMG信号中的特征,但一般不直接将原始s EMG信号数据输入到分类模型中,需要对s EMG信号进行特征提取,再将特征参数输入到分类模型中。在实验过程中发现,多特征集的分类准确率较单特征的分类准确率要高,但同时也引入了特征冗余的问题,需要对多特征集进行特征约简,本文利用相关系数法完成了对特征参数的约简。此外由于Capg Myo数据集中的信号通道数过多,须对信号通道进行约简,剔除冗余通道。本文通过Relief F算法计算各信号通道的权重,再比较各通道权重的占比率,利用逆序排列法,舍去权重占比低的通道,达到通道约简的目的。最后,考虑到长短时记忆网络（LSTM）在处理时序数据时有较大的优势,本文选用LSTM网络搭建手势动作分类模型,但在对多种手势动作分类过程中,基础的LSTM神经网络存在分类时间长且准确率不高的情况,本文利用PSO算法对LSTM网络进行优化,经实验验证,优化后的PSO-LSTM网络的分类准确率更高,进一步验证了PSO-LSTM手势分类模型的合理性与有效性。