生物电信号能够为人机交互提供更加自然、便捷以及有效的连接方式。但是,基于传统机器学习的肌电模式识别研究中,肌电特征种类和特征集维度的上升将导致分类模型的泛化性降低。并且,考虑到智能模型的识别效果过度依赖肌电特征提取方法的优劣性,而在实际应用中,由于手势类别多样化,现有手工特征提取方法结合传统机器学习模型依旧很难充分区分相似手势之间的细微差别。因此,开展结合高维特征集约简的肌电模式识别研究具有重要的意义。针对以上问题,本文以NinaPro DB1肌电数据集为研究对象,利用32种肌电特征提取方法,以肌电特征选择算法、深度学习为研究基础,开展结合最佳肌电特征集和深度卷积神经网络的肌电模式识别框架研究。本文主要研究工作包括:(1)针对肌电模式识别的原始数据来源不一、肌电特征提取种类繁多的问题,采用NinaPro DB1肌电子集作为原始肌电信号数据集,并进行信号预处理,最后提取上述数据集中32种时域及频域肌电特征,组建原始肌电特征集供后续特征选择所需。(2)针对目前肌电特征集维度较高的问题,提出双向递归特征选择算法,通过前向动态递归特征选择算法确定具有最大相关性的候选肌电特征集,并结合后向动态过滤特征选择算法进一步除去其中冗余特征,从而构建最佳肌电特征集供下文深度学习模型训练所需。(3)针对传统机器学习在肌电模式识别中逐渐体现的局限性问题,采用一种深度卷积神经网络模型替代传统机器学习模型进行肌电图像手势识别,并使用一维卷积核代替常规多维卷积核进行肌电图像和肌电特征图像深层抽象特征的提取。最后通过仿真分析表明:结合多肌电特征图像的深度卷积神经网络能够取得最高86.19%的手势识别率,比基于机器学习模型的最佳识别率提高了8.65%。