肌电信号(Electromyographicsignal,EMGs)是由运动神经元兴奋产生的运动单位动作电位序列(MotorUnitActionPotentialTrain，MUAPT)沿肌纤维传播在检测电极处时间和空间叠加的结果，可以通过分布在皮肤表面的表面电极或者插入肌肉组织中的针电极、线电极获得。肌电信号的分解则是将其还原为构成它的MUAPT的逆过程，其目标是检测到信号中活动的运动单元并识别出对应的每一个发放，目前已经在基础医学研究、临床疾病的辅助诊断和康复医学工程等领域得到了广泛的应用。　　 表面肌电(surfaceElectromyography,sEMG)相对于针电极肌电(indwellingElectromyography,iEMG)具有无创检测的优点，应用范围更广，但由于其产生机制的复杂性，对其分解的难度也更大，特别是肌肉收缩力较大时，因此目前对sEMG信号的分解大多局限于较低收缩力水平。肌电信号的分解中最困难的问题是对叠加波形的分解，其分解方法一般有剥离法和合成法两种。但是不论哪种方法，分解的结果目前大多集中在肌肉较低收缩力水平，主要原因在于较高收缩力情况下运动单元动作电位(MotorUnitActionPotential，MUAP)叠加严重，波形模板难以获取。　　 本文重点研究了基于线性变化力采集的表面肌电信号分解方法和基于合成法的叠加波形分解方法，主要研究工作和成果如下：　　 1)为了解决较高收缩力水平sEMG信号分解问题，提出了一种基于线性变化力采集的表面肌电信号分解方法。首先，我们按不同肌肉收缩力水平采集sEMG信号；其次，利用常规方法对较低收缩力下的sEMG信号进行分解，获得在该收缩力水平下波形模板信息和募集发放信息；最后，利用这些信息对较高收缩力下的sEMG进行分解，并以此逐级向上，从而实现对较高收缩力水平肌电信号的分解。利用这种方法分解sEMG信号能够获得较高的MUAP识别正确率。　　 2)针对表面肌电信号叠加波形的特点，采用了一种基于合成法的叠加波形处理方法。其思路是将叠加波形的分解转化为该波形与一组已知MUAP模板以欧氏距离最小原则对齐方式的搜索问题，尝试所有可能对齐方式，一旦找到最优对齐方式便停止搜索。该方法由于采用迭代优化算法，其计算量较小，同时又能解决破坏性叠加波形的分解问题。　　 3)搭建了分解平台。为了更方便快捷地进行分解，搭建了基于MATLAB环境的分解系统平台。该平台不仅可以实现基于线性变化力的sEMG信号分解，同时可以方便地进行人机交互处理。