在当今社会中,中风导致很多人长期残疾。中风患者在发病后出现腕部功能丧失,无法实现手腕伸屈、内收和外展等一些基本的手腕动作,严重地影响了患者日常生活。采用康复机器人进行手腕康复训练是促进患者康复的重要手段之一。康复机器人实时监测患者上臂及手腕的肌肉电信号,通过控制系统发出运动指令,促进患者神经系统功能重组,有效缓解肌肉和关节萎缩,帮助患者恢复身体机能。其中,控制系统发出的运动指令基于肌肉电信号与手腕运动的关联模型确定,该模型精度的高低决定着机器人康复系统辅助训练的效果。另外一方面,不同的患者或者是患者在不同的康复阶段所能够承受的运动幅度也存在很大差别。因此,构建高精度的肌肉电信号与手腕运动模型是十分必要且有意义的。本文针对目前手腕康复机器人训练中不同患者或是患者处在不同康复阶段需要实时调整辅助训练方案的问题,结合阶段性康复训练思想（即承受能力较差的患者前期先进行小幅度活动的康复训练,后期再改为大幅度运动训练）,通过将患者的肌电信号与其手腕运动的位置建立一种网络模型结构,使得康复机器人能够实时地根据患者的自身状况进行阶段性辅助运动,同时也可用来针对不同的患者人群进行康复训练。针对当前一维肌肉电信号在以往的方法中识别准确率相对较低的问题,提出一种基于对称点模式（SDP）与深度卷积神经网络相结合的分类识别方法,并构建了高精度的基于肌肉电信号的手腕动作及运动范围的分类识别模型。采用当前的公共肌电信号数据进行建模,首先,对Ninapro数据库中9种与手腕动作相关的肌肉电信号进行SDP方法转化,将转化后的样本输入VGG-16神经网络模型,获得了95%的分类准确率,相比以往一维数据直接进行训练较好的结果提高了3%左右。为验证所提出模型的识别效果,搭建了康复训练信号检测实验平台,平台包括手腕康复机器人、表面肌电信号传感器以及惯性测量单元。惯性测量单元用来实时获取手腕运动的姿态信息。并采用所搭建信号采集实验平台,采集了8种表面肌电信号和相应的姿态位置信息,建立肌电信号和其相应姿态位置数据库。对表面肌电信号做SDP转化,并采用其中7264个做训练样本,800个做检验样本,建立VGG-16和Resnet-50深度神经网络模型。将4种手腕动作中每种动作的运动范围分成两类来代表患者承受能力的差异,经检验,VGG-16模型能够达到94.8%的识别准确率,Resnet-50网络模型达到99%以上的分类识别准确率。