通过截肢患者残肢上的表面肌电信号（Surface Electromyography,s EMG）来判断人的动作意图以实现假肢控制是一种重要的人机交互技术。但是s EMG电极偏移带来的信号非平稳性会造成动作识别率的急剧下降,进而严重影响肌电假肢控制的日常使用。现有针对电极偏移的鲁棒性算法大多基于高密度s EMG信号进行,并且取得较好的结果。但是,高密度s EMG假肢并不符合临床实用性的要求。一般s EMG假肢都是基于较低密度电极,因此具有高实用性,能方便使用者的日常穿戴。但是目前仍缺乏针对低密度s EMG电极偏移影响的定量表征和处理电极偏移影响的有效鲁棒的动作识别方法。本论文针对电极偏移引起的肌电信号非平稳性展开研究,设计了8通道10类动作的电极偏移实验,采集25名健康被试和4名截肢患者的肌电数据。在此基础上,发展了从低密度s EMG解码动作的鲁棒性算法,具体工作如下:首先是电极偏移的肌电信号特征空间可视化研究。利用t-分布随机邻域嵌入（tdistributed Stochastic Neighbor Embedding,t-SNE）对高维肌电特征进行非线性降维观察电极偏移引起的特征空间变化,并提出空间距离比的指标对电极偏移引起的分类识别率下降进行定量刻画。多种肌电识别算法结果比较表明,电极偏移会导致时域（Time Domain,TD）特征空间分布显著的偏移。非负矩阵分解算法（Nonnegative Matrix Factorization,NMF）算法可以有效减少这一偏移,而各类高密度电极环境下鲁棒性算法在低密度电极中效果有限。其次是基于NMF的特征空间不变算法研究。在上一章基础上通过对系数矩阵的行和约束对现有NMF算法进行改进,以提高存在电极偏移情况下信号特征空间一致性,并提出新的滑动窗非负矩阵分解（Sliding Window Nonnegative Matrix Factorization,SWNMF）结合自增强线性判别分析（Self-Enhancing Linear Discriminant Analysis,SE-LDA）来适应肌电信号特征空间的变化。结果表明在电极偏移的情况下,相比TD结合线性判别分析（Linear Discriminant Analysis,LDA）的55.04±12.10%的识别率,SW-NMF的识别率显著提高到82.09±10.15%。最后是针对电极偏移的主动补偿算法研究。除了上述SW-NMF算法寻找不变投影空间的方法外,另一研究思路是对电极偏移引起的特征空间变化进行补偿。为此,我们提出了追溯算法（Tracing algorithm,TA）:比较偏移前后的上切动作两秒种数据的均方根（Root Mean Square,RMS）特征找到差别最小的位置区间,然后使用与该区间两端点的电极配置训练分类器。分类结果表明TA算法的分类结果为85.37±9.84%,显著高于TD特征和SW-NMF算法。信号的非平稳性是生物信号处理以及相关人机交互研究中面临的普遍问题,也是当前研究中遇到的重大挑战之一。针对肌电假肢控制中的电极偏移问题,本文通过的特征空间变化的观察和刻画,分别通过减小空间投影不变性和主动补偿特征空间变化的思路提出了两种不同的鲁棒识别算法以应对信号非平稳性,提高肌电假肢在日常生活以及临床康复中的效果,有利于人机交互技术在日常生活中的推广使用。