在表面肌电信号(Surface Electromyography,s EMG)模式识别领域中,目前研究大部分聚焦在不同肢体的静态模式定性识别,主要是针对肢体特定的任务动作。但是在实际应用过程中,除了需要知道肢体的动作外,还需要了解负载强度的变化以及关节角度运动位置信息,传统的静态定性模式识别无法调整运动幅度以及负载强度,从而无法对关节角度进行精准预测。因此研究不同负载强度下的手腕角度连续预测具有重要的意义。针对以上问题,本文以手腕角度为研究对象,利用表面肌电信号与关节角度信号之间的相关性,以肌电特征以及神经网络为研究基础,开展手腕角度定量连续识别和不同负载下手腕角度预测研究,本文主要研究工作如下:(1)基于信噪比系数评价模型的表面肌电信号预处理。通过对表面肌电信号的特性进行分析,确定手腕角度表面肌电信号中可能混入的噪声,采用数字信号滤波算法,设计了comb notch(梳状)滤波器对工频噪声进行滤波处理。建立了信噪比系数评价模型,利用小波滤波算法对整个信号段数据进行信号降噪,实现了表面肌电信号的优化处理。(2)基于特征相关性的时频域特征组合。通过对时域以及频域特征进行逐步过滤处理,构建了具有最大相关性的肌电特征集。引入主成分分析算法对特征组合信号进行降维处理,去除冗余通道特征,得到最佳肌电特征组合。(3)基于遗传算法优化极限学习机网络的不同负载手腕角度连续预测模型。针对定性模式识别无法调整手腕运动幅度以及不同负载训练强度等问题,建立基于遗传算法优化极限学习机的角度预测模型,分析不同负载对手腕角度连续预测精度的影响,实现对手腕连续定量角度的精准预测。实验分析表明,随着负载重量的增加,手腕角度预测效果变差。最小负载下,基于遗传算法优化的极限学习机预测的手腕关节角度,与实际角度更为接近,平均误差在5.94°左右。