神经解剖学和脑科学的研究表明，模块化是人脑高效地进行智能推理的关键。由于模式识别在本质上是对人脑信息处理的一种模拟，因此上述模块化认知过程对于探讨新的模式识别算法，具有重要的启发意义。 本文首先回顾了单识别系统的缺陷以及人脑的模块化特点，介绍了在识别系统设计中新出现的几种具有“模块化结构”特点的识别方法，以及进行仿真评估时的应用对象—神经信号。接着介绍了神经信号的检测过程，并对神经信号在不同动作模式下的行为特征，结合定量分析与定性比较，从时域、频域以及时频域的角度进行了研究。在此基础上，首先按照传统的单识别系统设计方式，构造了特征向量和分类器，给出了精度评估，作为对识别系统进行模块化设计的对比。随后，从空间分解的角度，详细阐述了如何对识别系统进行模块化设计，并介绍了子模块的选择方法、差异性评估标准，以及对子模块输出进行决策时的融合方法。最后，给出了几种对识别系统进行模块化设计的算法，并以神经信号的运动识别为例，进行了仿真评估，还将结果与单识别系统进行了比较。 本论文的创新成果主要包括：(1)借助试验手段，通过对志愿者上肢的神经信息的检测，结合定性分析与定量比较，探讨了上臂三大主神经束(正中神经、桡神经和尺神经)的相互协调关系以及信息发放模式，获得了有重要价值的第一手资料和创新性发现，为研究神经信号支配运动的机理以及神经信息控制假肢的研究创造了条件。 (2)通过严格的统计计算和合理的识别系统设计，对神经信号的分类识别进行了有益的尝试，指出利用神经埋藏电极引导出神经信息，经模式分类后建立起神经信息与肢体运动的映射关系，从而控制假肢运动，是完全可行的。 (3)对神经网络隐层作用的机理进行了探讨，提出神经网络的映射关系实质上是一种广义级数展开，并对神经网络中传递函数的作用重新进行了审视。在此基础上，提出了两次赌轮选择算法，按照基因片段的功能划分来对交叉部位进行再次选择，以避免功能相似的基因片段出现在同一个染色体中，防止神经网络遗传优化中“近亲繁殖”的产生。仿真分析证实了该算法的有效性。 (4)从仿生学原理出发，根据人脑结构和功能上的模块化特点，并结合对任务分解、神经网络集成、样本抽样技术、多专家系统等多个领域的研究，提出了对模式识别系统进行“空间化分解、模块化设计、集成化决策”的设计思想，并分别从输入空间分解、变换空间分解、特征空间分解、决策空间分解以及输出空间分解的角度，逐一阐述了如何在模块化设计中获取有差异性的个体，并通过适当的集成个体选择和决策融合方法来获得最终的识别结果。 (5)按照模块化的设计理念，以神经信号为对象，设计了几种模块化的识别系统，并将其性能与单识别系统进行了比较。其中，独立信息源法和输出的逐级分解主要是针对神经信号的特点而设计的；变换子空间法相对通用些，与上述两种策略都属于设计方法的创新；基于置信度考虑的AdaBoost.MC算法以及集成特征选择算法FEFS则是对已有算法的改进，其中AdaBoost.MC算法的主要目的是为了增强低识别率情况下的稳健性，而FEFS算法则主要是为了提高集成特征选择过程的执行速度；至于增强学习以及投票决策下的负相关学习算法，则侧重探讨了识别子模块的训练问题。