肌音信号是人体动作时肌肉收缩所发出的声音,可以作为假肢控制的信号源。近些年,多项国内外研究成果显示,肌音信号在假肢手控制方面具有极好的应用前景,倘若应用于实际,将是假肢手控制的一大进步,可惠及广大人群。本课题完成肌音信号采集系统的搭建,其中包括传感器的选取、信号放大滤波等软硬件设计。通过Matlab软件编写模式识别系统程序,对手部的多动作模式识别进行研究。利用4路TD-3压电加速度传感器采集32位受试者进行4个手部动作(手部握紧、手部伸展、向下压腕、腕部伸展)时前臂四块肌肉(尺侧腕屈肌、桡侧腕屈肌、桡侧腕长伸肌、指总伸长肌)的肌音信号,提取18个时域和频域特征构成特征空间,利用主成分分析法(PCA, Principal Component Analysis)对其进行降维,使用线性分类器分类并采用10重交叉验证评估实验结果。对6个手部动作(手部握紧、手部伸展、向下压腕、腕部向上伸展、内旋切腕、腕部外旋伸展)模式识别进行研究,添加小波分解系数、峰度等8个特征,通过扩展特征空间来获取更多手部动作识别信息。利用基于条件互信息(CMI, Conditional Mutual Information)的特征选择方法对原始特征空间进行特征选择,减小计算量和特征空间的复杂性。通过硬件电路设计和嵌入式程序编写等工作,基于TMS320F2812型号DSP的实时系统平台搭建成功。四个手部动作模式识别的实验结果证明,其识别率能够达到95%以上,并且采用3个通道的时候识别效果最佳,四块肌肉的位置选取对识别效果没有影响。通过特征空间的扩展可以有效提高了利用主成分分析法时的6手部动作模式识别的准确率。基于条件互信息的特征选择方法进行特征选择的结果是：不同受试者之间选取的最优特征子集有所差异,同一受试者的最优特征子集相对稳定。采用特征选择方法的动作识别率相对利用主成分分析法差,但它为实时系统的实现提供了有益的参考。DSP计算得到分类结果后驱动假肢手做出相应的动作,假肢手的指部产生压力信号反馈给系统,基本实现物品的抓握。在实际应用中肌音信号可以作为可靠的控制信号源对假肢手进行控制。