近年来,我国的脑卒中发病率越来越高,脑卒中患者术后一般会出现上肢功能障碍,表现为肌张力较大、痉挛和异常运动等等。大量的有目标的重复训练是非常有效的康复治疗方法,而外骨骼式机器人能够提供更有针对性的大量重复训练,提高康复效率。因此,研发上肢康复外骨骼具有重要的临床价值。目前在运动意图感知领域,常用惯性传感器、力传感器和生理信号传感器,而涉及到机器人的控制层面,形成了以力传感器为主的局面。然而,还存在一些不足之处。首先,力传感器是通过测得压力、力矩等运动学参数进而控制外骨骼辅助运动,运动学参数仅仅在人体运动状态的维度进行表征,而无法直接反映人体肌肉的状态。肌电传感器除了能够感知患者运动意图之外,还可以监测肌肉的活动状态。而且更不易被磁场干扰,更加稳定。此外,sEMG信号先于运动产生,更适合实时控制。其次,在提高运动意图信号抗干扰能力方面,当前流行的数据增强、特征优化和模型更新的方法均存在一定的局限性,缺少一种简单、普适性的方法。针对这些不足,本文采用sEMG信号来预测人体上肢的运动意图,并搭建了上肢康复外骨骼平台来进行实验验证。本文的主要贡献如下:首先,采集了健康人和脑卒中患者的肌电数据集,并研究了传统机器学习算法SVM和新型深度学习算法ResNet对于人体上肢运动意图的预测能力。结果表明两种运动意图预测方法都是可行的,但ResNet对于中风患者数据的平均预测准确率（84.46%）高于SVM的平均预测准确率（79.97%）。虽然ResNet的性能优于SVM,但它的抗干扰能力仍然不够强。其次,针对模型在中风患者数据上表现较差的问题,本文在ResNet的基础上提出了一种基于注意力机制和软阈值降噪的深度学习网络,并通过离线和在线预测实验和证明了提出模型的优势,离线实验平均预测准确率为92.01%,在线实验为80.82%。这说明该方法显著提高了抗干扰能力。最后,本文提出了基于运动意图信息的PID跟踪控制策略。通过在线控制实验证明了该控制策略的有效性,且轨迹跟踪性能良好（平均RMSE=3.969°）。