表面肌电信号（Surface Electromyography,sEMG）是伴随肌肉收缩而产生的微弱的生物电信号,上肢康复系统引入基于表面肌电信号的意图识别后可实现主动康复训练,有效提升康复治疗效果。传统意图识别方法特征提取效率低下,特征维度过高,导致数据处理时间过长不能满足康复系统实时性控制的要求。本文针对存在的问题在特征提取、特征选择、分类器设计等方面做了以下工作:（1）针对表面肌电信号产生机理进行了分析研究,搭建了肌电信号采集系统,针对实验中产生的运动伪迹噪声设计了巴特沃斯高通滤波器进行滤除;设计了基于双阈值检测的活动段分割算法,实现了肌电信号连续识别。（2）在特征提取方面针对个体间肌电信号的差异性分别在时域、频域、自回归模型三个方面研究了现有特征提取手段,提出了时域特征集、自回归模型（Auto Regressive model,AR）系数特征集、简化时域描述符特征集和二维简化频谱特征集。（3）针对特征维度过高冗余特征过多的问题,本文提出了基于最大互信息系数（Maximal Information Coefficient,MIC）的特征选择方法,筛选掉特征关联度较高的特征子集;针对MIC算法计算特征关联度复杂度过高的问题,本文提出了两阶段特征选择算法,在第一阶段通过计算特征向量与分类标签之间的MIC,过滤掉大部分冗余的特征向量。实验结果表明该方法降低了特征维度,保证了分类正确率几乎不受损失。（4）机器学习部分使用了线性判别分析（Linear Discriminant Analysis,LDA）、支持向量机（Support Vector Machine,SVM）、k 最近邻（k-Nearest Neighbor,kNN）等方法验证上述前三种特征集分类正确率,讨论了不同组合的泛化能力。（5）本文对基于卷积神经网络（Convolutional Neural Networks,CNN）的表面肌电信号模式识进行了研究,针对原始数据与简化频谱特征集两种输入,本文设计了以原始四通道为输入的一维卷积网络和以简化频谱特征集为输入的二维卷积网络,对7种上肢动作在正确率、计算时间两方面进行了对比实验,针对模型结构进行优化实验,使用Adam梯度下降算法提高了模型分类正确率。最后经过大量的实验,验证了本文提出的表面肌电信号特征提取与特征选择方法的有效性,同时本文提出的基于简化频谱输入的二维卷积神经网络结构可以实现92%的分类正确率。