表面肌电信号作为生物电信号之一,与人体的行为动作存在密切的关联。通过分析肌电信号,研究人员能够识别出人体的动作和行为意图。近年来,基于表面肌电信号的手势识别逐渐成为人机交互技术的前沿研究方向,被广泛地应用于工业生产、康复医学、虚拟现实等领域。随着这些应用场景对识别准确率的要求愈加严苛,以卷积神经网络为代表的深度学习网络引起了研究人员的关注。研究表明,深度学习网络在处理肌电手势识别问题时具备较好的适用性,但同时也存在着一些缺陷亟待解决。为了进一步提升识别准确率,本文利用深度学习网络对基于表面肌电信号的手势识别问题进行了探索和研究,主要研究内容如下。（1）现有的肌电手势识别算法多使用单一网络架构,模型有可能在特征提取时忽略掉手势动作与肌肉组织间的强关联性,或者会随着网络层数的加深,丢失浅层特征信息,导致识别准确度受限。针对这一问题,本文引入多流融合策略,结合卷积神经网络和循环神经网络,提出了一种基于双分支多流网络的肌电手势识别算法。构建的模型由两个分支网络模块组成,其分别从整体与分治的角度出发,分析肌电信号与对应手势之间的关系。在此基础上,算法通过融合网络架构结合了两个分支网络的输出来确定最终结果。在NinaPro数据集上的实验结果表明,提出的算法相较于现有算法获得了更高的识别准确率,在不同类型的数据集上均具备较好的识别表现。（2）在肌电小样本场景中,受到采集条件限制,采集获得的肌电样本往往是少量的。由于缺乏足够数量的监督信息,若直接使用小样本对深度学习模型进行训练,会导致模型的识别性能骤降。为了解决上述问题,本文引入图像数据增强的思想,提出了一种面向肌电小样本问题的数据增强方法。提出的方法对肌电手势识别算法进行了优化,通过数据的裁切变换和基于变分自编码器的样本生成网络来扩充训练样本数量,缓解了采集样本数量不足的问题。在多个独立受测者上的仿真结果表明,经过该方法优化后的肌电手势识别模型在处理小样本问题时,能够有效减少过拟合问题产生的影响,取得识别准确率的提升。