肌电模式识别是一种先进的智能信号处理技术,已被认为是一种可靠的用户意图分类的重要方法。目前相关的研究报告了在实验室里的高分类正确率,但在临床应用方面仍不能令人满意。其中一个重要的原因是,EMG-PR方法的稳健性仍然不够强,无法应对许多问题,如日常使用中的电极移位,肌肉疲劳,以及力度的变化。其中,力度的变化是影响EMG-PR方法性能的关键问题。因此,提高肌电模式识别方法的抗力变化的鲁棒性就显得尤为重要。另一方面,常用的商用假肢只有主动的动作控制,而没有主动的力度控制,这大大降低了截肢者佩戴假肢的意愿。本文的研究主要分为运动意图识别、握力估计以及运动意图和力度同步解码三个主要部分。针对运动意图识别,主要是抗力度变化影响的特征研究;针对力度的估计,主要是肌电与握力的回归模型的建立;针对运动意图和力度同步解码,主要是运动意图和连续握力以及离散力度同步解码。论文的主要内容和创新性工作如下:（1）首先,针对力度影响下的运动意图识别,论文提出了对数离散傅里叶变换（DFTL）和归一化对数离散傅里叶变换（gn DFTL）特征,使用线性判别分析（LDA）算法进行分类。结果表明,与常用的时域、频域和时间相关的功率谱（TDPSD）特征相比,gn DFTL特征在健康者上的正确率和鲁棒性分别达到95.24%和2.24,均优于时域、频域和TDPSD特征。在截肢者上的正确率和鲁棒性也达到88.99%和1.52,其中握拳的正确率和鲁棒性分别达到了97.43%和2.28,鲁棒性相较于TDPSD特征有明显提升,为截肢者握力的解码奠定了良好的基础。（2）其次,针对力度估计问题,论文对DFTL特征进行了修改,提出了meanch-DFTL特征,并选取了具有代表性的时域、频域特征和AR系数特征进行了对比,使用人工神经网络（ANN）进行估计。结果表明本文提出的meanch-DFTL特征在健康者和截肢者上的相对误差分别为0.065和0.108,相关系数分别为0.953和0.910,均优于其它三种特征。（3）最后,针对运动意图和连续握力同步输出,论文设计了一种融合输出方案。针对运动意图和离散力度的同步解码,论文设计了一个卷积神经网络（CNN）模型,和LDA算法相比,在健康者和截肢者上的正确率分别提高了1.3%和3.61%。