肌力是指人体运动过程中某一块或者多块肌肉产生的收缩力,对肌力的估计一直是生物医学研究的一个重要课题,在临床康复、假肢控制、体育运动、军事训练等领域有着重要的应用。对于无创肌力估计,长期以来一直利用肌肉表面的肌电信号（surface electromyogram signal,sEMG）进行研究,它能够反映神经肌肉的活动情况和功能状态。但是肌电信号难以携带深层肌肉组织的功能特性,而经过肌肉组织传输的超声射频信号（radio-frequency,RF）携带了更优的肌肉运动特征信息,能够从另一方面反映肌肉的组织形态特征。本文融合表面肌电与超声射频来进行肌力研究,既考虑肌肉的生理指标,也考虑肌肉的形态,既研究肌肉表面的电信号,也研究通过肌肉组织传输的超声射频信号,能够更加全面可靠地评价肌肉的收缩力量。本文旨在提升融合肌电与超声的肌肉组织力特性的模式识别（比如假肢控制系统稳定输出特定大小的力）,采用表面肌电、超声技术分析受试者在不同负荷下肱二头肌收缩时的肌肉力状态。主要研究内容如下:基于卷积神经网络（Convolutional Neural Network,CNN）和支持向量机（Support Vector Machine,SVM）结合模型进行肌力估计。利用CNN卷积和池化操作来自动提取信号的有效特征CNNFeat,将提取的特征作为SVM分类器的输入,使用SVM算法进行处理和分类进一步提高模型的泛化能力以及肌力的识别准确度。在三种情景模式下（用户相关、多用户、用户无关）验证超声与肌电融合的互补性,实验表明,无论在哪种情景下,超声射频信号的识别率高于表面肌电,而两者融合的识别率都要高于单一的肌电或超声。另外,将网络特征（CNNFeat）与传统的肌电特征和超声特征进行了比较,实验表明网络特征（CNNFeat）能够在一定程度上反映信号的变化过程,提升分类器的识别效果,具有较强的鲁棒性。CNN-SVM这种结合网络不仅克服了传统分类器手动提取特征的缺陷,还提高了分类的性能。本文的实验包括对受试者在肱二头肌静态收缩的状态下的表面肌电信号和超声射频信号进行小波阈值去噪、数据窗处理等多步预处理,提取常用的表面肌电特征和超声射频特征。肌电特征包含3个时域特征:均方根（Root Mean Square,RMS）、波长长度（Waveform Length,WL）、过零点数（Zero Crossing,ZC）;1 个频域特征:离散小波变换（Discrete Wavelet Transform,DWT）;以及自回归模型的6阶AR系数（Auto Regressive,AR6）。超声特征包含线性拟合的斜率k和截距b这两个特征。