近年来,基于生物电信号的各类研究在人机交互、假肢控制、临床诊断、医疗康复等诸多领域均得到了广泛的应用。在这其中,基于表面肌电信号的手势识别作为其中的一个重要研究分支,由于其方便采集、兼具实时性、无创性等诸多优势,也愈发受到科研工作者的重视,具有极大的发展潜力与前景。但与此同时,由于表面肌电信号自身所存在的信号强度弱、非平稳性、结构复杂、鲁棒性不强、易受噪音干扰的特点,都会导致最终的识别效果仍无法令人满意。而近年来广泛应用于该领域的深度神经网络虽然可以在一定程度上提高手势识别精度,但也使得模型对实际部署的硬件设备的要求越来愈高。本文对此进行了研究,主要工作如下。对基于卷积神经网络的表面肌电手势识别算法进行了研究,现有的卷积神经网络随着模型的不断发展演化,其对内存、运算量的与日俱增的需求,与各类移动、嵌入式等资源受限设备的应用场景产生了矛盾。本文针对这一问题,引入了模型压缩的思想,从架构优化角度入手,提出了基于轻量级CNN的肌电手势识别算法,该算法基于深度可分离卷积与跨阶段模块搭建了网络模型,并在网络不同位置加设了三处快捷连接,并采用了标签平滑操作,以保证网络模型的轻量性与识别精度。在Ninapro公开数据库上的仿真结果表明,该网络架构中各模块的有效性以及该算法在减少计算量、参数量的同时,保证了手势识别的准确率。对基于循环神经网络的表面肌电手势识别算法开展研究,现有的基于卷积网络的肌电手势识别算法,受卷积核大小的限制以及卷积本身运算机制的限制,无法对肌电信号中的时序信息建立长期依赖,无法充分利用肌电信号中的时序特性。本文针对这一问题,提出了一个基于轻量级CNN-RNN的肌电手势识别算法,引入基于双向长短期记忆的循环神经网络,对深度可分离卷积提取到的特征进行时序建模,有效保证某个时间点上的肌电信号分类结果依赖于输入的整个时间序列。此外,考虑到信号通道上的特征差异,本文还对提取的时序特征应用注意力模块,实现时间维度上的权重重分配。在Ninapro公开数据库上的仿真结果表明,借助双向LSTM与注意力机制,该算法进一步提升了肌电信号的手势分类精度。