在科技日益发达的时代,人们希望在不舍弃自己主观控制的前提下,使机器尽可能地拓展人的能力。于是,人机交互技术应运而生。表面肌电信号(surface Electromyograph signal,sEMG)作为人体生物电信号,蕴含了人体丰富的运动信息,能够直接反映人的运动。因此可以通过对肌电信号进行合适的处理来解码人的运动。本论文主要讨论基于肌电信号对操作机械手柄过程中的右臂手部动作进行编码,通过编码肌电信号的特定特征来识别操作者的运动。现有的关于肌电信号的模式识别单纯地解决动作分类的问题,而本文要处理的是具有可解释的特征层面的动作分类问题。本文主要内容如下:设计并实施了被试操作机械手柄的实验,在实验过程中同时记录被试右前臂表面肌电信号和手柄的轨迹数据。根据手柄数据对所获得的肌电信号进行动作模式段分割,经滤波处理后提取时域、频域和熵量特征。分别采用五种特征选择的方法,基于SVM选出最优方法对应的有效特征。最后基于选出的有效特征,分别利用决策树和随机森林构建分类树模型,综合考虑分类效果和实施简便性,选择决策树构建的分类树作为编码的依据,对分类树各结点特征进行阈值划分,可得到树的每条路径及每种分类类别对应的编码。实验表明所提出的编码方法的可行性,并通过交叉验证说明了编码的有效性。本文所提出编码方法在特征层面具有可解释性,将编码的特征与操作者的动作进行关联,为模式识别的特征级应用提供一种思路。