早期物理康复训练对上肢功能损伤患者的治疗具有积极效果,体现患者意图的主动训练更能有效激励神经系统的运动学习能力。康复医疗领域和机器人控制领域的蓬勃发展为患者的治疗带来新的可能性,合理利用康复机器人对患肢进行辅助治疗能够缓解治疗师过大的工作负荷,确保康复训练安全有效地进行。上肢康复机器人在使用时更多采用重复性的被动训练模式,对于与患者交互性更强的主动训练研究较少,针对这一问题,本文研究以表面肌电信号（Surface Electromyography,sEMG）为基础的上肢康复机器人交互控制方法,研究内容来源于北京市自然科学基金项目“上肢外骨骼机器人的跨模态耦合机理与生物驱动策略”（项目编号:3202021）,主要工作内容如下:首先,在满足控制要求的前提下,选取肩关节、肘关节共四个自由度,建立四自由度上肢康复机器人模型;定义各关节坐标系获得D-H参数,进一步求解齐次变换矩阵,进而推导出速度雅可比,对康复机器人正逆运动学进行分析,利用MATLAB Robotic Toolbox构建上肢康复机器人的数学模型,仿真结果对比理论推导结果,实现运动学模型的可靠性分析;基于能量的原理建立上肢康复机器人拉格朗日动力学模型,并在Adams/view环境下利用虚拟样机模型进行动力学仿真分析,为康复机器人交互控制方法的研究提供力学基础。其次,为准确辨识人体运动意图,探究sEMG的形成机理和特征,分析其作为运动意图识别信号的可行性,在此基础上确定满足上肢功能的运动模式,选择运动时相关度较大的上肢肌肉作为sEMG的采集位置;搭建合适的表面肌电信号采集平台以降低传感器、电路等带来的噪声,设计合理的采集方案,降低外部条件对sEMG采集过程的影响,获取具备广泛性和可靠性的肌电信号样本数据;针对不同的噪声来源,采用陷波器和小波阈值降噪的方法去除表面肌电信号中混叠的噪声;提取处理过的sEMG时频域特征,获得小波系数最大值和平均绝对值特征矩阵。然后,针对传统的动作分类器对于样本数据集较大时分类效果不理想的问题,构建门控卷积神经网络（Gated Convolution Neural Network,G-CNN）分类器;引入门控卷积层代替普通的卷积层,控制隐藏特征在门控卷积神经网络中的流通,有效地提取有用信息和阻断噪声,设计优良的网络结构和学习算法,提高动作识别的准确率;提出正则化方法优化网络,避免网络模型对数据进行过度学习而发生过拟合问题,采用Adam实现G-CNN中权值和偏置的更新,避免模型陷入梯度弥散、局部最优等问题,加快G-CNN模型收敛速度;将样本数据作为分类器的输入,以准确率和损失值为判断指标,设计G-CNN分类器和传统分类器的对比实验,并分析不同结构G-CNN分类的性能,证明本文提出的G-CNN模型动作识别性能的优越性。最后,根据识别出的上肢动作得到代表人体运动意图的期望轨迹,采用生物信号和运动信号相结合的方式对上肢康复机器人系统进行控制;对于系统参数变化和外界扰动的问题,设计鲁棒性强的非奇异终端滑模（Nonsingular Terminal Sliding Mode,NTSM）控制器,推导其控制律完成对轨迹的精确跟踪;并利用Laypunov函数证明该控制系统的稳定性;为保证上肢主动康复训练时的柔顺性,研究非奇异终端滑模阻抗控制方法,依据人机交互力动态调整运动轨迹,确保人机之间相互作用力的大小保持在一个合适的范围内;利用MATLAB仿真平台验证控制方法的可靠性和有效性。