随着科技的不断进步,智能仿生手为截肢残障患者带来了极大的方便。虽然智能仿生手在机械装置方面具有较大的研究进展,但其精准控制尤其是利用无侵入式的生物信号精准控制还有待进一步提高。在智能仿生手的生物信号控制领域,利用表面肌电信号实现智能仿生手的精准控制已经成为研究热点。基于表面肌电信号的手势识别准确率较低的问题制约着智能仿生手的应用,成为亟待解决的问题。论文通过设置不同卷积核大小的多个并行通道及时频特征融合的方式来提高表面肌电信号的识别准确率,具体研究工作主要体现在以下几个方面:（1）针对现在手势识别的准确率低的问题,构建了一种基于改进多通道CNN（Improved Multi-Channels Convolutional Neural Network,IMC-CNN）结构的手势识别模型来提高手势动作的识别准确率。该模型通过频谱特征在时间域、能量域和时间能量并重3个维度构建了频谱特征的3通道不同大小卷积核的CNN网络进行特征融合来避免同一卷积核大小造成的特征丢失问题,并实现10类手势动作的表面肌电信号分类识别。模型在MYO采集的数据集和公共数据集Nina Pro DB5上测试具有较高的准确率、敏感度和特异度。（2）针对连续精细手部动作识别不准确的问题,构建了一种基于时域和频域多特征融合的长短时记忆卷积神经网络（Long Short-Term Memory Convolution Neural Network based on Multiple Features Fusion,LSTMCNN-MFF）模型来提高连续精细手势动作的识别准确率。模型通过构建RMS时域特征CNN网络通道和Hilbert-Huang频域特征CNN网络通道进行特征融合,融合后的高维特征同时具备时域和频域特征信息,避免了单一特征导致的识别率低的问题,融合后的高维特征输入LSTM网络实现对10类连续精细手势动作的精准分类识别。模型在公共数据集Nina Pro DB2、Nina Pro DB8、UCI HAR和MYO数据集上测试具有较高的准确率。（3）针对现有3D形变模型计算量偏大,实时效率不高的问题,给出了投影距离在骨骼驱动3D模型中的分组计算方法和3D蒙皮计算方法,通过初始化骨骼计算和投影距离计算来解决大量的复杂多维向量计算带来的时间开销问题,从而实现了高效实时性3D形变。该方法不仅适用于人体几何模型的形变还适用于动物、手的骨骼驱动形变。（4）为了验证模型准确性、时效性和通用性,构建了多模态的机械臂实时控制系统,将IMC-CNN模型和LSTMCNN-MFF模型应用到SSVEP实验范式下的脑电和肌电解码,实现了对机械臂脑电6分类、表面肌电信号4分类的实时控制。此外,设计并3D打印了一款智能仿生手,实现了利用LSTMCNN-MFF模型对智能仿生手多个手势动作的同步模拟与控制。