在康复医疗领域，康复机器人正在逐渐取代康复医师，成为脑卒中患者康复训练的主流装备。患者用传统的接口如操纵杆或者键盘控制康复机器人十分困难，需要采用更高级的人机接口控制康复机器人。表面肌电信号是人体肌肉自主收缩时产生的电信号，它包含丰富的生理运动信息，反应了患者的运动意图。对人体表面肌电信号的进行分析处理，识别出人体上肢的动作模式，从而为康复机器人提供准确的动作指令，实现对康复机器人的控制，是康复机器人意念控制的一种重要方式。本文的主要研究工作包括肌电信号的去噪预处理、动态递归神经网络结构的设计及该网络实时在线学习算法的建立以及基于分类结果的康复机器人模糊自适应PI(proportional integral)控制的研究。　　为了采集到生理信息丰富、动作辨识度高的表面肌电信号，本文分析了人体上肢运动与参与运动的肌肉群之间的对应关系，根据需要区分的七种上肢动作，合理地选择用于采集肌电信号的八块肌肉，设计了肌电信号采集方案。　　在运用小波变换消除肌电信号的噪音污染研究中，本文首先对小波函数族进行优先等级划分，对肌电信号进行试探性实验分解，从分解得到的尺度系数和小波系数的波形上进行观察，结合计算成本，选择出最佳小波滤波器。根据小波函数的支撑长度和分解的信号长度，给出信号分解时最大分解层数的计算公式，同时给出了各分解层上估计阈值大小的计算公式。针对信号分解过程中存在的频率混叠问题，本文采用Mallat快速算法结合FFT(fast fourier transformation)和IFFT(inverse fast fourier transformation)，给出了消除分解和重构过程中存在的频率混叠现象的计算公式。在信号分解过程中，对分解所得的系数采用软阈值函数去噪处理。实验结果表明，基于小波变换的去噪和消除频率混叠的混合算法对肌电信号预处理效果良好。　　本文设计出一种新型结构的动态递归神经网络作为分类器，对人体上肢运动进行识别分类。并对该模块化的网络实时学习算法 RTRL(realtime recurrent learning)进行了推导，给出了权值增量计算公式。在肌电数据窗口化分段处理技术上选择了重叠窗口化的数据分段方式，同时确定了窗口的宽度和窗口增量大小。对几种常见的肌电特征向量进行对照实验研究，研究结果表明，混合特征向量AR4(auto regressive)和RMS(root meam square)对人体上肢运动分类识别效果最佳。最后运用多数投票算法和剔除动作过渡阶段出现的不良数据的联合优化处理方法对分类结果进行优化，使优化后的分类正确率有所提高。从实验结果可以看出，动态递归神经网络对人体上肢运动分类识别非常成功，解决了肌电控制康复机器人中的人体运动意图识别这一关键性问题，为患者通过肌电信号控制康复机器人奠定了基础，分类中的低误差率保证了患者的正常训练及患者的身体安全。　　利用本实验室自行研制的四自由度外骨骼康复机器人，构建了一套基于动态递归神经网络模式识别的肌电控制单关节原型系统。把分类器识别出的动作决策转换成康复机器人的控制指令，康复机器人按指令执行相应训练动作。实验结果表明本论文研究的通过肌电信号实现人体上肢运动模式识别算法性能优良，可作为上肢康复机器人或者人体假肢的肌电控制接口。　　本文理论和实践相结合，提出了适合肌电信号去噪消除频率混叠的混合算法，设计了利用肌电信号进行动作分类的动态递归神经网络，推导了网络训练RTRL学习算法，最后把肌电模式识别算法集成到康复机器人控制器中，实现了基于肌电信号的康复机器人意念控制。