表面肌电信号（sEMG）是一种生物电信号,它的采集过程是利用电极与进人体皮肤表面不断进行接触,人体器官的各种功能状态都可以检测表面肌电信号的状态来反映。近年来,深度学习方法应用在各种各样的分类问题上并且取得了显著的成绩,并且在许多领域产生了十分重大的影响。准确的手势识别对于人机交互,假体控制和康复游戏等应用非常重要。从前臂测量的表面肌电图（sEMG）信号,其中包含用于解码肌肉活动及手部运动的一系列有用信息。越来越多的实验结果证明,深度学习模型对于sEMG信号手势动作的准确率有很大的提高。目前,市场上精密假肢的价格较高且日益增长。相对而言,实验室肌电处理的方法,能否运用到实际应用中还有待商榷。为解决当前在手势识别研究中出现的算法复杂,精确度不高等问题,本课题在原有的理论基础上提出两种深度学习神经网络与新的损失函数相结合的方法,分别是基于残差网络与ArcFace相结合的sEMG信号识别算法和基于时间卷积网络与AM-Softmax相结合的sEMG信号识别算法。首先,我们对原始sEMG信号进行了预处理工作。本文实验中采用的是Ninapro数据库中的DB1数据子集,由于原始sEMG信号中存在各种噪声,极大程度上影响了最终的实验结果。为了克服这个困难,本文采用2阶巴特沃斯滤波器对原始信号进行去噪处理,去噪结束后进一步对sEMG信号进行了归一化处理。对经典神经网络模型进行深入研究,同时还分析研究了不同损失函数的应用特点。在此基础上,以残差网络以及时间卷积网络的模型为基础,更改网络最后一层的损失函数,选用更为先进的ArcFace和AM-Softmax代替传统的Softmax层。利用DB1数据子集对本文使用的方法和已经存在的方法进行比较。对比实验结果表明,本文提出的基于残差网络与ArcFace相结合的方法和基于时间卷积网络与AM-Softmax相结合的方法效果分别达到89.36%和90.56%。