表面肌电信号(Surface Electromyography,sEMG)是由表面电极从肌肉表面获取的生物电信号,因其无创性、采集便捷、包含肌肉收缩的生理信息而被广泛应用于上肢假肢控制领域。从sEMG信号中准确地识别出上肢体的手势动作模式,是肌电假手进行准确控制的关键。目前对sEMG手势识别的研究取得了较大成功,但在日常使用中穿戴假肢套筒导致的电极移位问题会造成数据分布发生改变,从而显著降低手势识别的准确性。大量研究已经证实,电极移位是影响肌电假手手势识别鲁棒性的关键因素。因此研究电极移位下手势识别的鲁棒算法具有重要的意义。目前针对电极移位的算法主要利用电极移位后新收集的样本来校准分类器。虽然校准方法能够保持系统的准确性,但是收集新标记样本对于用户而言是非常不方便且耗时的。而不使用新标记样本的方法,在电极移位对数据分布改变显著时,无法保持其准确性。因此本文深入分析了电极移位对数据分布的影响,基于获取少量无标记新样本的前提下,通过分析电极移位前后数据的分布关联性及特征关系,提出了基于分布映射的多分类器加权结合方法及无监督域适应方法,有效地运用电极移位前的数据来辅助模型对电极移位后数据的学习,减少数据分布差异对分类器性能的影响。本文的贡献主要为:1)应用在线半监督学习方法增量式的学习大量无标记测试数据来让分类器适应数据分布的差异,实验验证了学习新分布信息能够减少电极移位的影响。2)电极移位前后的数据在分布上存在差异但也具有关联性。本文提出了基于分布映射的多分类器加权结合方法,使用多组非线性函数量化电极移位对数据分布的改变,并根据训练数据与新数据分布的相似性计算各分类器的权值。实验结果表明该方法对电极移位具有较强的鲁棒性,能够维持手势识别的准确性。3)基于学习新分布信息对维持手势识别鲁棒性的有效性,本文提出了适用于电极移位问题的无监督域适应方法。此方法根据sEMG数据特征关系来评估新分布的参数信息,并对分类器进行校准。实验结果表明,相比于从用户和分类器处获取新分布信息的方法,该方法在维持鲁棒性的同时,具有更强的实用性。