肌电图学（Electromyography EMG）是研究或检测肌肉生物电活动，借以判断神经肌肉系统机能及形态学变化，并有助于神经肌肉系统的研究或提供临床诊断的科学。近代假肢控制力图采用表面肌电图，通过对表面肌电的某些特征作模式分类来驱动假肢的不同动作，力图采用肌电信号构成多功能、多模式的控制信号，这已经成为肌电信号处理应用最为广泛的一个领域。本文的研究对象就是前臂肌肉在不同的运动模式下的肌电信号。本文主要从小波变换和人工神经网络理论入手，对采集到的表面肌电信号进行分析、处理和识别的研究。通过采用新的方法，以期望对以往的信号分析和识别有所改进和提高。 本文在信号特征提取方法上的创新点在于，采用多尺度（分辨率）小波变换方法对表面肌电信号进行分析，并且根据实际情况，独创性地提取各级尺度下小波系数幅值的最大值（正）和最小值（负），获得了简单、特殊性高、分离度更明显、表征能力更好的肌电特征向量。 在模式识别方法上的创新点在于，通过对BP神经网络非线性映射能力的研究，在搞清BP网络固有缺陷的前提下，采取各种优化算法对BP网络进行改进。本文创新性地将Levenberg-Marquardt算法以及它与贝叶斯正则化相结合的方法应用于肌电信号的分类，得到了分类速度极快，识别精度极高的BP分类网络。实验证明，这种改进的网络不但能够成功地从表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋四种运动模式，而且在网络识别速度和精度上有了很大提高，有效地消除了过拟合现象，泛化能力好，很好地克服了标准BP算法的固有缺陷。这对于肌电假肢的控制具有良好的应用前景。 本文最后还创新性地提出了利用虚拟仪器的概念来设计一整套肌电信号采集与识别系统，完整地将信号的采集、信号的处理分析和特征向量的提取、模式识别三部分有机地结合起来，具有很好的实用价值。这种基于虚拟仪器的系统是未来仪器的发展方向，也为肌电图诊断学走向自动化开辟了一条新途径。