肌肉疲劳是日常生活中常见的生理现象，它的发生严重影响了运动员的训练效能、病患的康复水平以及工人的工作效率。目前对于肌肉疲劳的相关研究往往局限于固定的环境变量下，而在实际生活中，肌肉疲劳的产生往往伴随着复杂多变的用力条件。因此，本文的主要目的是探究复杂运动状态下肌电特征随疲劳程度的变化规律，并在此基础上实现复杂用力条件下疲劳状态的有效分类。
　　实验招募了十二名健康被试，使其完成不同负载(2kg，4kg和6kg)和运动速度(屈伸周期=4S，8S，或者静态收缩)下的屈肘动作至力竭，并采集运动过程中被试肱二头肌的表面肌电信号。本文利用统计方法分析了多种运动状况(不同负载和运动速度)下肌电特征的变化规律和影响因素，进一步评估了多种运动状态下的疲劳敏感特征，探究了肌电特征随疲劳的变化与运动变量(负载和运动速度)的关系。接着，针对动态任务下肌肉激活状态不稳定的问题，本文提出了一种自动截取激活态肌电数据段的方法，剔除运动过程中无肌肉收缩的静息态肌电，使动态任务下的肌电接近静态收缩，提高肌电特征的稳定性。最后，本文根据分析结果建立了跨被试和任务的通用判别模型，实现了复杂任务下肌肉疲劳状态的有效分类。
　　研究结果表明，本文选取的大多数(八种)肌电特征在单一和复杂运动状态下都能有效反映肌肉疲劳状态，同时在这些可以反应疲劳状态的特征中，大多数(六种)肌电特征随疲劳的变化趋势与运动变量的改变并没有呈现直接关系。这说明了大多数单一状态下有效的疲劳特征也适用于复杂任务下的疲劳识别与监测。判别模型结果表明，将运动状态作为分类特征加入模型训练，可以提高最终识别准确率。在进行初步的分类后，本文又引入了投票表决方法有效提高了模型表现，最终达到了83.3%的综合分类准确率，证明了复杂任务下通过肌电进行疲劳状态分类的可行性。