表面肌电信号是一种能够一定程度反映人体运动意图的电生理信号,被广泛应用于临床医学、康复医疗以及人机交互领域。基于表面肌电信号的连续运动估计相对于模式识别能够提供更加灵活、自然、高效的人机交互方式,本研究从是否影响基于肌电信号的连续估计的精度、时效性、鲁棒性三个方面定义了三种复杂任务:包含多自由度运动的任务、包含多状态运动的任务以及包含多模式运动的任务。针对这三种复杂任务的连续估计,本文提出不同的估计算法从精度、时效性、鲁棒性等方面对估计效果进行评估。本文的主要工作如下:1)采用稀疏伪输入高斯过程回归算法构建人手多自由度运动角度与人手表面肌电信号的映射模型,并定量分析估计角度与实测角度之间的延迟以及肌电信号触发与估计角度产生之间的延迟。估计精度上SPGP模型估计效果平均CC为0.89、平均RMSE为13.7°,估计时效性上SPGP模型的估计延迟小于150ms,结果表明SPGP模型能够实现高精度、低延迟的在线估计。2)针对抓握运动过程中抓握速度以及抓握力度对肌电状态的影响,本研究提出化长短时记忆网络（s LSTM）实现在多种肌电状态下对五自由度手指运动的连续估计。五名健康受试者与一名截肢受试者的实验结果表明s LSTM模型在多状态肌电的连续估计方面显著优于SPGP模型（p=0.003）。其中健康受试者相较于截肢受试者能够稳定的控制多种状态的肌电信号的产生,在估计精度上会有所提升,平均CC分别为0.92、0.91,平均RMSE分别为12.9°、20.4°,实验结果证明无论健康受试者还是截肢受试者均能够实现在多种肌电状态下实现肌电解码并对机械手进行控制。3)人手对于不同形状的物体切换抓握模式,针对多模式运动本研究提出使用实时模式识别+连续估计的估计框架,采用随机森林+简化长短时记忆网络的混合估计模型实现四种模式的手部运动连续估计。采用贝叶斯滤波的特征提取方法,实现稳定的肌电特征提取以提高实时模式识别的精度。所提出的混合估计模型与传统的估计模型相比有效提高了估计精度,其中RMSE从13.1°下降至12.6°,证明随机森林（RF）+s LSTM的混合估计模型可使多模式运动的连续估计具有高精度以及高鲁棒性。