生物肌电时序信号（以下统称为肌电信号）是随时间变化的信号,蕴藏了肌肉活动的一系列信息,可作为人机交互的输入信号。将检测到的手部功能障碍患者进行主动康复训练产生的运动意图作为控制指令进行输出,提高患者训练效率。目前对基于肌电信号的手部动作研究大多是对孤立的动作进行识别,而康复训练的目的是患者能进行日常活动,实际的日常动作是由多个孤立动作组合完成的,但由于肌电信号是非平稳信号,噪声较大,动作转换过程识别困难。本文对手部动作的肌电信号进行采集,研究了肌电信号特征,构建深度学习网络进行手部动作识别,实现了基于肌电时序信号的组合动作识别研究,期望能够提高手部功能障碍患者康复训练效果。本文主要研究内容如下:（1）对手部动作中手臂八块肌肉产生的肌电信号进行采集。针对该八通道数据利用滑动窗口方法进行分帧,采用了小波变换的方法,提取八通道电信号数据中时、频信息,得到时频图像,最终建立了手部单一动作数据集。（2）构建了识别网络对手部单一动作的肌电时频图像进行全局时空特征提取,该网络为三维卷积神经网络（3DCNN）与卷积长短时记忆网络（ConvLSTM）结合的神经网络结构。接着通过识别网络进行手部单一原始动作识别分类。（3）设计手部原始动作的组合顺序,采集组合后动作的肌电信号。采用活动段检测方法进行数据分析,得到动作的静息与运动状态。接着,利用滑动窗口方法在组合动作中八通道运动状态的肌电信号中滑动,并将每个滑动窗口中的肌电信号转换为时频图像,得到组合动作时频图像流。采用已构建的3DCNN-ConvLSTM网络模型对于所设计的手部组合动作进行十个原始动作的识别。考虑到组合动作在采集时,原始动作存在信号重叠的问题,本文采用了多数投票算法进行数据集的优化。（4）采用基线漂移处理方法,解决了实际交互实验中手部肌电信号采集时信号的漂移问题。同时,采用小波变换算法进行实时数据的滤波,优化时频图像的转换效果。在Unity5.3.1f1软件建立手部虚拟现实交互实验的实验仿真环境,由手部动作来控制虚拟现实中汽车在所设计的道路环境中行驶。本论文采用3DCNN-ConvLSTM网络模型,对基于肌电时序信号的组合动作进行识别研究,实验证明了本文识别方法的有效性。