手在一系列基本的日常活动中至关重要,妨碍手功能的神经系统疾病或意外截肢会显著影响生活质量。可穿戴手势识别接口有望恢复和辅助手部功能,增强人与人之间的沟通,是人机交互、康复医疗、假肢控制、手语识别等领域的重要研究方向。设计分类能力强、学习快的模式识别算法是手势识别接口应用和产业化的关键;鲁棒性强、信噪比高的高质量信源是手势识别质量的保障,二者同时也是该领域面临的重要挑战。针对上述挑战,本文对于气压肌动图和摩擦电信号开展基于泛化增强模糊神经推理系统的手势识别研究。本文的主要研究工作总结如下:针对传统模糊神经推理系统的单输出节点问题,本文结合模糊神经网络特点和深度学习中的全连接层的结构,提出了一种多类模糊神经推理系统框架。该框架在保留模糊系统的推理能力的同时,能够将模糊规则的结果通过权重矩阵映射到所有类别的得分,最后通过Softmax层将类别得分转化为类别概率,进而用于多分类任务。进一步地,针对其泛化性能较差的缺陷,本文结合典型抽样和标准正则化的优化算法,并将其与所提的多类模糊神经推理系统特点融合,提出泛化增强多类模糊神经推理系统。针对传统手势识别信源肌电图存在的信号微弱、需要复杂的外围设备以及对于皮肤状况敏感等缺陷,使用更加优质的气压肌动图和摩擦电分别作为手势识别信源。在基于气压肌动图的实验中,本文设计了一款气压肌动图采集装置,并对健康人和残疾人两类人群开展了6种手腕手势的识别实验。最终,所提算法在两类人群中分别取得了98.18%、97.25%的最高平均准确率,且与近年公开报道的多种手势识别研究相比,本文中使用的气压肌动图结合泛化增强模糊神经推理系统手势识别方法的综合性能更优。在基于摩擦电的实验中,本文设计了一款摩擦电采集装置,并在6种手腕手势的基础上增加了7种抓握手势和8种手指手势,对于合计21种类型开展了基于泛化增强模糊神经推理系统的机器学习模型分类实验。在实验过程中,本文对于特征提取方法和泛化增强模糊神经推理系统的规则库大小进行了研究。实验结果表明,泛化增强模糊神经推理系统的模式识别方法在类别数较高的情况下仍然保持最高的机器学习算法性能,且对于规则库大小的改变有很好的鲁棒性。最后在与近期同类研究工作的比较中,验证了泛化增强模糊神经推理系统的模式识别方法的优越性以及摩擦电信号在手势识别领域的可行性和优质性。