在线、实时的动作模式识别对于新型人机交互（Human-machine interaction,HMI）具有重要意义。由于表面肌电（Surface electromyography,sEMG）信号相较于其他传感信号,具有提前于人体动作产生这一特性,可以极大地提高动作识别的实时性,因此在康复医学与人机交互领域被广泛关注。然而,sEMG信号本身具有混沌、非平稳与非周期等性质,导致在非稳定、时变的在线应用场景下,以其作为研究对象的模式识别准确性不高,同时存在准确度与实时性难以同时具备的问题。同时,在实际应用中,动作切换部分的信号捕获延迟将直接影响动作的识别精度。因此,本文的研究内容主要针对基于下肢sEMG信号的实时分类与动作切换研究展开:本文提出一种基于sEMG信号的改进能量核特征提取方法,使其适用于sEMG信号实时分类领域。本文通过两种不同的实验,对改进能量核法的运算效率进行了评价,证明其比传统的能量核法有更高的运算效率;相比常用的时、频域特征提取方法具有更好的类可分性;在稳定性方面,新改进的基于能量核法的特征提取方法,相较于常用的时域特征提取法有更高的稳定性。随后,提出一种新的适用于sEMG信号的系统框架,并基于此框架构建了完整的采集与测试系统。为了准确分类和及时响应,对系统变量进行了研究。受试者在执行六种不同的下肢动作时收集的数据被用来构建模型,并对受试者进行在线测试,得到了较为理想的的效果。对在线情况下,分类效果低于离线状态这一问题进行了分析探究,提出了假设与解决思路。最后,提出一种基于多通道sEMG信号的预测-分类研究思路,主要针对连续运动中的动作切换研究进行了探索实验。将预测模型与诊断模型进行结合,通过模拟在线的方式对受试者采集到的数据进行测试,得到的平均切换延迟在可接受的范围内。实验证实了该研究思路具有一定的可行性,为未来的多种连续动作切换研究奠定了基础。实验结果表明,本文所做的研究对基于sEMG信号的在线应用研究具有一定的借鉴意义与参考价值。