本文提出一种新型的手部姿态识别系统,用于控制多自由度假手。本系统利用FSR(Force Sensitive Resistor)传感器检测前臂肌肉的收缩和膨胀情况来实现不同动作的识别。通过前臂处的FSR传感器获取不同手部姿态对应的信号,经过支持向量机(Support Vector Machine)分类器分类后给出相应手部运动模式,这样使用者可以实现多自由度假手的控制。本文建立假手运动模式识别及控制平台,此系统由三部分组成。首先,多通道FSR传感器信号采集系统实现前臂与系统之间的连接,为后续处理提供可靠的、有效的信号。上位机内信号分析处理试验系统,针对不同个体特点选择不同的传感器位置和数量、模式分类方法及最优参数模型,最大限度满足操作者需求。最后引入基于双DSP的假手控制系统,包括基于DSP2810的假手驱动与传感器系统和负责信号处理与决策的基于DSP2812的上层控制系统,彻底实现嵌入式控制,为假手的商业化做好准备。对于多自由度假手的多模式控制,模式分类方法是核心内容。从实用的角度出发,尽量提高分类的快速性和保证高成功率。本文选择支持向量机这一模式分类方法,并针对假手控制特点讨论多类分类方法,引入基于量子粒子群的全局最优参数搜索方法,并通过实验证明其有效性。为方便假手随身佩戴及嵌入式控制要求,介绍基于DSP2812的假手动作模式识别程序的设计思想及流程,系统的存储器配置和SPI接口的寄存器配置。算法程序设计分为三个部分,数据采集部分并加入采集过程中动作切换提示;SVM模型建立部分通过简化SVM的约束条件,实现样本训练过程在DSP中完成;分类预测部分,结合一对一方法,分别采用投票法和模糊法实现模式分类。针对建立的多自由度仿人型假手系统,本文进行了大量的实验,实验结果为:在PC机中,根据训练难度将33种手部动作分为3类,按由易到难的顺序进行训练和分类,验证控制方式的有效性。在DSP中,利用10枚传感器,可以识别10种常用运动模式,并且成功率在95%以上。