表面肌电信号是人体肌肉收缩时在皮肤表面收集得到的生物电信号，它在一定程度上反应了人体神经、肌肉的功能状态。目前，表面肌电信号已被广泛应用于临床医学、康复医学和智能机器人等领域。本文依托吉林省科技发展计划重点项目“具有温度、触滑觉临场感的仿生手臂研制与开发”(批准号：20090350)和吉林大学研究生创新研究计划项目“基于神经网络集成技术的表面肌电信号模式识别方法研究”(批准号：20121107)，开展对表面肌电信号分类方法的研究，以促进项目中肌电控制仿生假肢的开发与产业化，因此本文的研究将具有重要的现实与社会意义。本文的主要工作有：1.分析了表面肌电信号的产生机理与特点，确定了肌电电极的选择，结合局部解剖学相关知识，确定了与手臂常见运动模式密切相关的主要肌群，完成了手臂动作模式的选择和肌电电极摆放位置的确定，并完成了手臂5个常见动作模式下表面肌电信号的双路采集实验。2.分别利用时域法、频域法和时频分析法对已采集得到的双路表面肌电信号进行了特征提取，对比分析三种分析方法下表面肌电信号特征元素的互异性，最终确定利用由小波包分解得到的表面肌电信号特征元素来构成双路表面肌电信号的特征向量。3.为了进行模式识别试验，本文进行了神经网络分类器的设计，分别设计了BP神经网络、Elman神经网络和集成BP神经网络，对已得到的特征向量进行了模式识别实验，对三种网络结构下表面肌电信号的正确识别率进行了统计分析，集成BP神经网络获得的正确识别率最高，因此得出集成BP神经网络具有较好的模式识别效果。4.对三种神经网络的训练时间和迭代次数进行了计算，集成BP神经网络所需训练时间和迭代次数最大，说明集成BP神经网络在提高识别率的同时，也增加了训练阶段所需的时间和迭代次数。5.利用Matlab GUI技术完成了表面肌电信号离线模式识别系统的开发，对表面肌电信号的读取、特征提取、模式识别和识别结果的显示等环节进行整合，形成一个系统，增加了表面肌电信号模式识别各环节的直观性与可视性。由于神经网络的训练阶段和测试阶段一般可以分开进行，训练阶段可以提前离线完成，因此本文的研究仍具有重要的理论价值，也具有实际意义。