外骨骼作为人机交互技术的重要产物之一,在军用与民用领域得到了广泛应用。为了提高外骨骼与人之间的安全协作能力,基于表面肌电（Surface electromyography,s EMG）信号的人机交互技术应运而生。而肌肉疲劳会对s EMG信号产生极大地干扰,进而降低人机交互的稳定性。因此,需要将肌肉疲劳作为一种特征参数对控制系统进行补偿。而如何合理表征肌肉疲劳仍然是相关领域的一大难点。此外,为了提高外骨骼的柔顺性与稳定性,需要对肌肉疲劳变化进行预测。因此本文围绕肌肉疲劳表征和肌肉疲劳预测展开研究。针对等张收缩中由于肌肉形状变化、动作差异等因素导致肌肉疲劳表征效果差问题,提出了基于肌电功率和肌电积分值（Integrated EMG,IEMG）结合动态阈值的检测算法。该算法使用肌电功率代替过零率（Zero Crossing Rate,ZCR）,解决了在IEMG和ZCR结合动态阈值算法中,由ZCR在活动段内上下震荡引起的错检问题;此外,在阈值设置前,该算法用最大值和最小值的中间值对数据进行截取处理,解决了异常值造成动态阈值设置不合理的问题,降低了异常值引起的漏检率。针对下肢肌肉疲劳表征问题,将下肢肌肉收缩分为等长收缩和等张收缩,在等长收缩中提出使用纤维传导速度（Muscle Fiber Propagation Velocity,MFPV）进行疲劳表征;在等张收缩中,提出了采用PCA对s EMG时频域组合特征进行疲劳特征提取,并按照收缩区进行疲劳表征。相对于传统时频域特征,本文所提出肌肉疲劳特征具有更好的敏感性、个体适用性以及稳定性。针对肌肉疲劳预测问题,提出了随机森林（Random Forest,RF）-门控循环单元（Gated Recurrent Unit,GRU）的肌肉疲劳预测方法。为了降低原始输入特征噪声对GRU模型的干扰,使用RF进行第一次肌肉疲劳特征变化趋势的预测,将RF修正拟合后的数据输入GRU中,在一定程度上解决了GRU存在的预测滞后问题。相对于其他神经网络模型,本文提出的模型能实现对肌肉疲劳特征变化的长时间预测,具有准确性高、泛化性好等优点。综上所述,本文的研究内容为后续在人机交互中,将肌肉疲劳作为肌电控制参数的补偿信号,实现对外骨骼的柔顺控制具有重要意义。