在人机交互中,如何有效感知与手势相关的信息,并通过模式识别方法进行解码,是该领域的关键技术问题。基于视觉或肌电的传统手势识别方法存在无法克服的天然不足,因此,寻找新颖且可靠的传感方式,是近年来的一个研究热点。在此背景下,肌压（Force Myography,FMG）传感应运而生。肌压传感是指使用压力传感器间接测量肌肉收缩的强度,具有成本低、体积小、抗干扰强等优点。然而,相较于其他传感方式,肌压信号的相关研究较少,尤其是肌压信号的采样频率、通道数量、电极偏移、初始压力等因素如何影响手势识别准确率的基础问题尚没有明确答案。因此,本文自主研发了一套肌压信号采集系统,并基于此系统开展相应的基础性研究。主要工作如下:（1）提出了一种基于肌压信号的手势识别方案。该方案包括:肌压信号采集、信号预处理、特征提取、特征归一化和手势分类。其中,肌压信号采集是指使用肌压信号采集系统收集来自人体手臂的肌肉维度变化信息;信号预处理是指从采集的手势信号中截取出所需的信号,并对截取的信号使用KMeans离散点检测算法滤除杂波信号;特征归一化是指对滤波后的信号进行归一化处理;之后在获取到的信号基础上进行相应的特征提取和手势动作的识别。实验表明该方案可有效提升肌压信号的识别精度。（2）自主研制了一套用于手势识别的肌压信号采集系统。该系统主要由以下部分组成:肌压信号传感阵列、采集板、控制板、传输板、上位机。肌压信号传感阵列可实现初始化压力可调,在保护传感器的基础上,可以减少信号受外部环境的干扰,且佩戴舒适性得到提高。采集板完成对肌压信号的采集以及调理工作;控制板与传输板完成对肌压信号的汇总与传输工作,将信号传输到上位机后进行显示与保存。实验表明所采集到的信号中干扰更小,对采集的肌压信号进行手势识别分析,可以获得更高的识别精度。（3）探索肌压信号手势信号分类效果的多种影响因素。主要包括:采样频率、信号通道数、初始化压力、上下偏移。结果表明:对于静态手势的识别,肌压信号采集系统的采集频率最低可以设置为5Hz;至少需要8个传感器才可以采集到较为完整的手势信息;初始化压力值建议大于0.2N;而传感器上下偏移对信号的识别精度影响较小。对多种影响因素的分析将会加速肌压信号的市场化进程,对肌压信号之后的研究具有指导性意义。