随着膝关节术后康复需求的提升,膝关节康复机器人成为学者们的研究热点。通过提高患者的康复主动性可以达到更好的康复效果。表面肌电信号（Surface electromyography,s EMG）因其易获得、超前产生和相对稳定的特性而常被用于反映人体的运动意图。通过分析s EMG信号解码人体的主动意图实现康复机器人的控制,可以进一步提高患者的康复参与度。本文主要研究了基于表面肌电信号的膝关节康复意图的识别以及机器人控制,具体研究内容如下:首先,研究了s EMG的采集、预处理、特征的选择和提取及其相关内容。确定了湿电极的采集方式,并根据膝关节肌肉对康复动作的参与度选取六处采集位置。设计了表面肌电采集系统。在实验室环境下进行信号采集实验,最后对数据加窗并在时域及时频域方面进行特征提取,为主动意图识别提供条件。其次,通过主成分分析（Principal Component Analysis,PCA）对提取的信号特征向量进行降维,制作样本标签并设计了基于支持向量机（Support Vector Machine,SVM）的多分类模型。为优化SVM的参数提高动作识别率,通过引入非线性因子对鲸鱼优化算法（Whale Optimization Algorithm,WOA）进行改进。验证了改进的鲸鱼优化算法（Improved Whale Optimization Algorithm,IWOA）较传统鲸鱼优化算法有更快的后期收敛速度以及全局搜索能力。并在离线环境下将IWOA-SVM与基于鲸鱼算法的SVM、基于粒子群算法的SVM和基于遗传算法的SVM通过交叉验证进行对比,结果表明IWOA-SVM离线最优识别率为94.12%,较其他寻优算法分别提高了4.02%、8.82%和6.64%。然后,设计了膝关节康复机器人的控制系统,将意图识别结果作为控制信号,根据结合患者意图的PID位置控制策略构建了控制系统整体结构,并利用Simulnk对经典PID算法和结合了患者意图的PID算法进行对比仿真,仿真结果表明后者对于系统具有更好的控制效果。最后,针对前文设计的IWOA-SVM识别模型展开实验,应用该模型实时进行意图识别,在线的识别正确率为89.83%,验证了其实时性以及准确性。其次针对提出的结合患者意图的PID算法对膝关节康复机器人进行控制实验验证,最终结果表明,此算法的位置控制误差在0.3°以内,实现了跟踪患者意图的速度变化,提高了患者的康复参与性。