表面肌电信号(surface electromyographic signal, sEMG)是人体自主运动时神经肌肉活动发放的生物电信号,它反映了神经、肌肉的功能状态。表面肌电信号不仅在临床医学、运动医学等领域被广泛应用,而且成为多自由度人工假肢和功能性神经电刺激的理想控制信号。国内有很多研究专注于对表面肌电信号进行模式识别,从而区分肢体不同的运动模式,实现多自由度假肢的控制。随着信号处理方法和计算机技术的发展,如何从sEMG信号中提取有效的信息并实现准确的动作识别,成为肌电控制假肢实用化进程中的重要问题。本论文研究的主要内容包括以下几个方面：表面肌电信号的特征提取、支持向量机(Support Vector Machines, SVM)的多类别分类方法研究、支持向量机在多类sEMG模式识别中的应用。(1)本文采用小波变换的方法对表面肌电信号进行了小波分析,并选用symlets小波函数对表面肌电信号进行多尺度分解,然后提取小波系数的奇异值构建特征矢量进行模式识别。(2)采用四种多类别分类方法设计多类别支持向量机分类器,将设计的多类别分类器应用到表面肌电信号的模式识别中,并与传统的神经网络分类方法进行比较,实验结果表明,采用四种多类别分类方法设计的SVM分类器对8类表面肌电信号的平均识别率在90%以上,SVM分类器的分类准确率明显优于传统的RBF神经网络分类器,设计的多类别支持向量机分类器在分类效率和分类速度上都表现出了明显的优越性。