表面肌电信号(surface electromyography signal,sEMG)是人体神经控制肌肉收缩时产生的生物电信号在皮肤表层的叠加,这种安全易获取的无创性信号可以作为控制信号源广泛应用在智能机械手臂领域。目前对于肌电信号作为智能机械手臂控制源的研究还存在以下几个主要问题:1)表面肌电信号在采集过程中会受到较强的噪声干扰,传统的模拟滤波器去噪效果不理想;2)在表面肌电信号的采集处理过程中会造成信号的滞后,无法满足对智能机械手臂控制的实时性;3)一般的特征分类器对于上臂多模式的动作识别率较低,影响智能机械手臂的精确控制。鉴于此,本文提出了更适用的处理算法来优化信号控制源,对sEMG采集去噪、预测分析,对上臂多模式动作分类进行识别。1)在小波去噪的基础上,提出了独立分量分析结合小波的去噪方法,并与传统滤波器和小波去噪进行了对比,定量分析显示前者效果最好,既滤除了噪音信号也保留住有用信号;2)对表面肌电信号采用高斯过程模型结合小波回归建立数学模型,其预测效果较佳;3)采用神经网络分类器和支持向量机分类器对其进行分类,分类结果表明,支持向量机分类器优于神经网络分类器,而在神经网络中,动量BP法和LM算法比传统的BP网络分类效果好。本文通过MATLAB的实时工作空间搭建了表面肌电信号的数据采集系统,完成了对上臂八种不同动作的表面肌电信号采集工作,利用独立分量分析结合小波的去噪方法滤波;根据该微信号的特有品质,对其进行高斯过程回归建模,并将预测结果进行时域、频域和时频域分析提取特征值;最后通过支持向量机分类器对提取的特征向量进行动作模式分类。本文的设计方案不仅改善了信号的信噪比和实时性,还提高了动作模式的识别率。