表面肌电信号(Surface Electromyographic,EMG)记录肌肉收缩时所产生的电波动。由表面电极获取的表面肌电信号因其能以无创伤方式提供运动控制和肌肉收缩的生理信息而被广泛应用于假肢控制领域。近年来,肌电信号的研究分析已成为临床诊断、康复医学、生物机械等诸多领域的研究热点。肌电信号模式识别是多功能假肢控制的基本问题。本学位论文研究EMG信号特征提取和模式分类方法。EMG信号由放置在前臂四块不同肌肉组织的表面电极获得。论文首先对时域特征、频域特征、小波(包)特征等常用的肌电信号特征特征识别方法进行了比较分析,在此基础上提出了肌电信号特征获取的两种新方法。首先提出了基于向量自回归模型(MVAR)的特征提取方法,该方法采用MVAR模型参数系数作为多通道表面肌电信号的特征参数,并借助LDA方法进行特征降维。实验结果显示,基于MVAR模型的特征识别方法实现的肌电信号正确解码率明显高于标量AR模型,这说明肌电控制接口的解码性能对多通道表面肌电信号的空间相关特征敏感。论文还提出了基于非高斯AR模型的参数化双谱分析特征提取方法,采用双谱轴向积分和径向积分方法获取肌电信号的特征参数并用来进行模式分类,结果显示,该方法对内翻、外翻、腕内旋、腕外旋、握拳、展拳、上切与下切八种动作的平均正确分类率达98.8%,与国内外文献中的最好结果相当。上述方法的算法程序已完成,在下一步工作中将集成到SJT-2实验假肢的肌电控制接口中。