智能机器人虽然可以在恶劣环境下进行高强度工作,但目前其智能依旧难以完成在复杂情形的自主决策。特别是在医疗与军事等领域,进行高效人机合作才能保证任务的安全性和可靠性。这对人机协同、人机交互技术提出了新的挑战。开发更加自然、快速、直接的新一代人机交互系统成为当下研究的热点。表面肌电信号（Surface Electromyography,sEMG）中包含了丰富的运动意图信息,便于采集,超前运动产生,是一种绝佳的人机交互接口。然而,目前针对表面肌电的运动估计主要停留在离散分类,无法满足更为精细的交互情景。连续运动估计可以提供更为自然、精细的交互信号。同时从表面肌电中提取运动信息,依然普遍存在稳定性差,延迟高的问题。面向低延迟、高灵活、高鲁棒的交互场景,本文提出了一系列基于表面肌电的连续运动估计方法,服务于构建比离散运动分类更加高效,自然,灵活的新一代人机交互。本文的主要贡献如下:1.面向目前在连续运动估计领域深度学习对原始肌电信号特征提取能力差的问题,本文提出了针对深度学习的时域深度学习特征集（Time-domain deep learning feature set,TDDLF）,并提供了与现有特征集的比较。论文已发表于《IEEE Robotics and Automation Letters》（JCR Q1）。2.为了进一步提高连续运动估计的算法精度,本文提出了长曝光卷积记忆网络（Long Exposure Convolutional Memory Network,LE-Conv MN）,该网络可以有效提取肌电的时域和空间分布信息。经实验比较,精度明显高于现有方法。论文已发表于《Journal of Neural Engineering》（JCR Q1）。3.为了在保证算法准确率的情况下进一步提升算法兼容的动作数量以及推理速度,本文基于Transformer进行拓展提出了多注意力特征融合网路（Multi-Attention Feature Fusion Network,MAFN）,将可估计动作提升到28种的同时移动设备推理延迟仅82ms。已投稿于《IEEE Transactions on Human-Machine Systems》。4.本研究设计了一款低功耗、低成本的实时惯性数据手套,可以用于人机交互或者科研中的手部姿态采集。