动态手势是人与人之间交流的一种自然形式,不仅能反映动作的连续变换,而且可表达复杂的手势信息。sEMG能为人机交互提供便捷有效的连接方式,因此适合应用于肌电控制系统。目前,动态手势识别模型的运算量大,时空特征提取不足,进而影响模型的识别效果。因此,开展动态肌电模式识别研究具有重要的意义。针对以上问题,本文以动态手势为研究对象,利用表面肌电信号与手势动作之间的相关性,以肌电矩阵以及神经网络为研究基础,开展动态肌电手势识别研究。本文主要研究工作如下:（1）构建动态手势肌电数据集。针对sEMG包含的噪声,开展信号的滤波降噪处理,提高s MEG的信噪比。根据数字信号滤波原理,选用巴特沃斯带通滤波器滤除基线噪声,设计梳状滤波器消除工频噪声。建立信噪比系数评价模型,利用基于高斯混合模型的小波降噪方法对sEMG降噪处理。将预处理信号映射为二维肌电图像,构建肌电图像和肌电特征图像数据集。（2）基于时序网络的离散动态手势识别。针对动态手势具有时间维度差异性的问题,开展离散动态肌电模式识别研究,建立基于时序网络的多流手势识别网络。该方法不仅保留sEMG时间序列的相关性,而且能极大提高动态手势识别的精准度。（3）基于多数投票法的连续动态手势识别。针对离散肌电模式识别的局限性和手势相似性的问题,开展连续动作过程和动作切换过程的肌电信号在模式识别系统中的分类,建立基于多数投票机制的连续手势识别模型。该算法有效提高了连续动作过程和动作切换过程的肌电手势识别准确率。实验表明,本文将残差网络和时序网络结合构建多流融合模型,能从全局和深度两个维度提取时空特征。该模型在原始肌电图像上的识别率为90.71%,比输入肌电特征图像低4%。基于多数投票机制的连续动态手势识别模型在肌电图像上的识别率为93%左右,比优化前高10%。