机械手是机械臂末端的执行机构,随着抓取与操作任务复杂程度的增加,正在向增加自由度、提高灵巧性以及适应性发展。然而目前机械手的控制方法滞后于本体的发展,面临着运动模式少、抓取适应能力差等问题,难以应对场景未知或多变的任务。通过设计人在回路中（human-in-the-loop）的控制策略,能够将人手运动的快速规划能力以及自适应地调整抓取力的能力迁移到机械手上,使机械手能够实现多模式的运动,包括类人的手势动作,以及可随抓取任务自适应调节的抓取动作和抓取力。为了实现人在回路的控制策略,本文对基于表面肌电图（surface electromyography,s EMG）信号的人手运动的识别方法展开了研究,包括人手动作的高效识别方法以及人手抓取力的高精度估计方法,并对人手运动识别方法在机械手控制的应用进行了研究。本文的研究内容主要包括:提出基于隐马尔可夫模型（hidden Markov model,HMM）的手部动作识别方法。HMM能够利用可观测的表面肌电信号建立不可直接观测的动作基元之间的的转换关系,从而建立手部动作这一过程的生成模型。针对HMM的超参数选择问题,提出了基于最大互信息准则（maximum mutual information,MMI）的优化方法,使各手部动作模型能够有最大的分辨能力以区分该模型生成的观测序列与其他模型生成的观测序列。利用MMI对超参数进行优化能够提升各手部动作模型建立的生成式分类器的准确率。提出基于非参数HMM的手部动作识别方法。该方法通过引入层级狄利克雷过程（hierarchical Dirichlet process,HDP）作为模型参数的先验分布,将经典HMM推广至包含无穷个隐状态的模型。在该模型中,各手部动作包含的动作基元的数量不再受限于预先指定的数目,而且能够随着观测到更多的手部动作的表面肌电信号,自适应地生成动作基元。针对高维参数空间进行精确后验推理的困难,非参数HMM的训练采用马尔可夫链蒙特卡洛（Markov chain Monte Carlo,MCMC）采样的近似后验推理方法。此外,还提出了基于前向算法的概率实时更新算法用于手部动作的在线识别。对比实验结果表明非参数HMM的隐状态数能够从观测到的表面肌电信号中自动学习,并且取得的识别准确率优于由模型选择得到的最优经典HMM。提出基于手部动作模式识别的多指机械手的操控方法。利用HMM建立预先设计的手势动作以及抓取动作的模型,利用最大概率选择的方式通过计算实时采集的表面肌电信号在各模型上的概率并输出手部动作的类别。将人手部动作识别的结果以高层动作指令的形式发送到多指机械手的位置控制器,实现对机械手的操控。将基于表面肌电信号的手部动作识别方法应用于多指机械手操控,实现了类人的八种手势动作及四种抓取动作。提出人手抓取力估计方法及其引导的机械手控制。首先利用神经网络模型建立从前臂的表面肌电信号到手指末端与物体接触力的非线性关系,用于人手在抓取物体过程中的接触力的估计。通过神经网络的特性与信号处理技术对表面肌电信号中的噪声对回归模型性能的影响进行了抑制。在力引导的控制框架下,将从表面肌电信号中估计出的抓取力作为机械手抓取物体的力参考值,最后通过导纳控制器控制机械手的位置实现对抓取力参考值的跟踪。通过对日常生活中多种典型易碎易变形物体的成功抓取,验证了该方法的有效性。