表面肌电信号分析在临床诊断、康复医学、运动医学和体育科学等领域具有广泛的应用背景和重要的研究价值。它是从皮肤表面记录下来的神经肌肉活动时发放的生物电信号，记录肌肉收缩时所产生的电波动，反映了神经、肌肉的功能状态。本文针对假肢控制问题，主要研究如何从动作表面肌电信号中有效地提取实现准确的动作识别的信息，实现肌电控制假肢实用化。　　本文首先概述了当前表面肌电信号的研究现状，详细介绍了肌电信号的产生机理及其应用，这部分知识为本课题的研究提供了理论基础。　　然后，为了尽可能地提高假肢控制时表面肌电信号分类的准确识别率，我们尝试利用局部判别基方法来对表面肌电信号进行分类，该方法的主要思想是根据可分性度量找出具有最大可分性的部分小波包系数作为特征矢量。但考虑到不同人的不同动作的表面肌电信号的能量大小是有差异的，因此本文提出了基于可分性度量和小波包相对能量的最佳小波包方法，并将该方法应用到表面肌电信号的分类问题当中，实验证明该算法比固定尺度的小波包基方法有着更好的效果。　　另外，本文还研究并比较了BP网络、LVQ网络、RBF网络和LM网络这四种具有代表性的神经网络分类器的性能。实验表明，LVQ神经网络比传统使用的BP网络的性能要好，具有训练速度快、神经元个数少、识别率高等优点，是一种较好的分类器，又易于硬件实现，故为肌电假肢控制提供了一种新的方法。　　最后，本文将遗传算法应用于基于离散谐波小波包变换的表面肌电信号分类方法中。在对信号进行离散谐波小波包分解，计算信号在各个频带的相对能量并将其作为表面肌电信号的特征后，我们采用基于遗传算法和神经网络分类器的特征选择方法对特征空间进行降维处理从而获得了具有最大可分离性的特征。在此基础上，用BP神经网络和获得的具有最大可分离性的特征来评价被提出方法的分类效果。结果证明，该方法获得了较高的分类识别率。