随着老龄化的加剧和交通意外的频发,假肢或者辅助康复平台的需求越来越大。肌电信号包含丰富的运动控制信息,利用合适的信号处理方法,使用者的意图能够被检测出来。因此,肌电信号能够被用作控制设备的指令信号。人体表面肌电信号(Surface Electromyography, sEMG),在给定的采集点,用来描述肌电信号的特征集在给定的运动状态下是能够重复得到的,而且在不同的运动状态下得到的特征集也各不相同。相比于注入式肌电信号,采用sEMG信号进行分析处理并不会降低识别的准确率,而且sEMG的提取方式较为简单方便,具有无创无痛的特点。本文通过对采集的sEMG信号进行分析处理,识别出运动者的运动意图,帮助使用者进行主动康复训练。主要研究了连续信号的特征提取,分类器设计和模式识别后处理。本文的主要工作包括如下四个方面：(1)采用线性判别分析(Linear Discriminant Analysis, LDA)和联合特征对sEMG信号进行模式识别。首先对5个不同的受试者采集的连续信号进行预处理,采用叠加的分析窗口进行分割,然后提取了信号的波长(Waveform Length, WL),自回归(Autoregression, AR)系数和小波系数作为特征矢量,并根据特征矢量的分离信息,进行了特征的融合。最后采用改进的LDA分类器进行识别,得到了较好的识别效果。(2)基于模糊理论提出了一种基于高斯径向基函数的模糊模式识别算法。采用不同的特征矢量进行识别均取得了较好的识别效果,而且特征矢量的FI(Fisher’s Index)值越大,识别的错误率越低。与LDA和反向传播神经网络进行比较,采用WL特征时,这种算法的平均识别错误率更低。(3)对识别的结果进行了模式识别后处理,在不影响实时性的前提下,提高了系统的识别准确率。采用了多数决议(Majority Vote, MV)并对其进行了改进提出了等待下一个窗口的后处理方法,将平均的识别错误率降低至0.04%。(4)设计并实现了基于人体肌电信号的识别软件。将识别准确率较高且计算效率较高的识别算法构建成一个识别软件,对采集的肌电信号进行识别,判断使用者的运动意图。本文采用叠加窗口对连续的肌电信号进行分析处理,能在满足实时性要求的前提下,对肢体的六种不同运动模式做出准确的判断,很好的帮助使用者进行主动康复训练。