表面肌电信号（Surface electromyography signal,s EMG）是一种反应人体肌肉和神经活动状态的生物电信号,因其提取方式简单便捷,被广泛应用于康复医疗领域。手是人体最复杂的肢体结构之一,对于手部复杂动作s EMG的分类研究始终是康复医疗领域中的研究难点。本文针对复杂手部动作的分类问题,提出一种基于s EMG混合特征分离的识别方法。首先,通过对表面肌电信号产生机理分析,得出复杂动作的表面肌电信号特征分离具有可行性。通过分析人体手部日常活动习惯,总结出最常见的六种手部复杂动作,并展开进一步分析。针对参与这六种动作的上肢肌肉分布进行分析,确定了合适的表面肌电信号采样位置。进行了4通道同步采集前臂表面肌电信号实验,为后续研究提供数据基础。其次,在s EMG预处理方面,分别采用小波变换中的全局阈值和分层阈值两种方法对原始s EMG进行降噪,并对降噪效果进行分析,以提高肌电信号的保真性。在特征提取方面,分别从时域、频域和时频域三个方面对降噪后的s EMG进行特征提取,共提取7种特征。通过观察特征的聚类分布情况得出,难以直接训练单一的复杂动作分类模型。针对此问题提出一种将手部复杂动作分离为手指动作和腕部动作组合的分类策略,分离动作的特征分布具有明显的可分性,解决了复杂动作的特征分布混淆的问题。最后,基于动作特征分离策略对复杂动作进行分类。以分离动作的特征为输入,搭建手指动作分类器和腕部动作分类器。选择K最近邻分类器、支持向量机和卷积神经网络三种分类方法,比较结合时域、频域以及时频域特征时的三种分类器识别结果,得出使用卷积神经网络对时频域特征进行模式识别的识别率最高。提出一种“组合”分类器,将分离特征训练的分类器作为子分类器,并重构两个子分类器的分类器结果作为其最终分类结果。为了对比“组合”分类器的分类性能,直接对六种手部动作进行分类,结果表明“组合”分类器的识别率明显提升。另外,搭建智能假手控制实验平台,进行实验验证。