随着我国经济的发展，人们的生活水平在近年来有着显著的提高。特别是老年人和残疾人等弱势社会群体的民生问题也得到重视和处理。医疗康复机器人能够为患有运动障碍的人群（如患有运动损伤的老年人和残疾人）提供有益的康复环境。医疗康复机器人的服务对象是人，因此发展医疗康复机器人的人机交互技术尤为关键。当前的人机交互控制中人体运动意图的探测方法主要有两大类，一类是基于脑电、肌电等生理电信号的运动意图的探测方法，另一类则是利用压力、声和光等物理手段测量人体的某些部位或环节在运动过程中发生的变化来预测人体运动意图。　　本文主要研究基于肌肉力描记法(Forcemyography,FMG)的运动意图识别方法。FMG的主要测量原理是利用压力传感器监测肌肉运动时表面肌群体积分布变化，采集的信号通过模式识别的方法进行处理，进而预测出人体的运动意图。与目前最常使用的肌电信号不同，FMG信号不易受到信号衰弱、环境噪声和阻抗变化等因素的干扰，因此是一种比较理想的人机交互控制信号源。本文开发并使用了一套的四通道FMG信号采集系统。预实验中，本文探索了信号迟滞，器件校准以及数字滤波对FMG信号质量的影响。实验中，六名肢体健全的受试者按照视频的指令分别完成了手张开，手握拳，腕屈，腕伸，前臂内旋，前臂外旋和休息的动作，受试者各类动作的FMG信号将被采集并上传到上位机。　　准确且快速地探测人体的运动意图是良好人机交互的基础。本文采用基于线性判别式分析(Liner Discriminant Analysis，LDA)的模式分类方法对FMG信号进行解码，从而验证本文获得的FMG信号用于动作分类的可行性。研究表明，利用四个通道的数据，并且仅提取数据中一个维度特征平均绝对值(Mean Absolute Value，MAV)进行训练，训练后的分类器可以取得平均91.62％的动作分类准确率，其中手张开，手握拳，腕屈，腕伸，前臂内旋，前臂外旋和休息这7种动作分类准确率分别为89.93％，89.10％，90.85％，90.21％，89.44％，90.82％和100％。此外，本文还初步探索了FMG信号中动作启动点的搜索方法。研究发现通过提取特殊的时域特征或变换后，可从信号时域图谱中观察到启动点与动作平稳期有着显著的幅值差异，进一步地只需通过设定阈值就可以近似地寻找到动作启动点。系统在动作启动点后采样数据有利于提高分类器的动作分类准确率，进而减少控制中的抖动和失误，增强系统控制的柔顺性。　　本文还探索了采样通道和特征提取对于FMG信号分类准确率的影响。研究发现FMG信号的通道个数对动作识别准确率有着显著性影响，随着通道个数增加，动作分类的准确率显著性提高。此外，在相同的通道个数时，不同通道的组合情况对动作分类的影响存在较大的差异。另一方面，关于特征提取的研究中发现随着特征个数的增加，动作识别准确率有一定的提升，然而方差分析的结果表明该影响效果并不显著。本文还探讨了不同特征组合对动作识别准确率影响，统计发现时域特征平均绝对值(MAV)在一维特征用于动作分类的情形中具有最高的准确率(91.62％)，而时域特征求和(SUM)在各组（按特征个数分组）最优的前3个特征组合中具有最高的出现频次。　　综上所述，本文主要研究了FMG信号在人机交互中的控制方法。文中的研究成果有助于开发出基于FMG信号的人机交互控制系统，提高人机交互控制系统的鲁棒性，改善现有康复机器人的交互控制性能。