肌电图(Electromyogram,EMG)信号是由运动神经元放电事件产生的运动单元动作电位(Motor Unit Action Potential,MUAP)的叠加,其编码脊髓电路的神经活动并且可以反映来自大脑的高水平神经控制信号。运动神经元放电活动可以为运动的神经控制提供理论上的参考,可以提供神经肌肉损伤的临床见解,也可以用作人机交互的界面信号。因此,从EMG信号中分解提取单独的运动单元(Motor Unit,MU)放电信息具有重要意义,也是计算机信息处理的一个重要研究领域。通过对高密度肌电图(High density Electromyography,HD EMG)分解算法的改进和一系列实验,本文系统地评估了三种不同的基于独立成分分析(Independent Component Analysis,ICA)的EMG分解算法在各种条件下分解的准确性和产量等性能,算法在模拟和实验获得的HDEMG信号上进行测试,信号具有一系列稳态肌肉收缩水平,并且具有不同的收缩水平,类似于肌肉收缩的动态特性。对HDEMG分解算法中的ICA算法选择提供了有效的技术支撑,主要工作如下:(1)阐述HD EMG分解算法的研究现状和基本原理,对分解算法的最新研究进行了分析,总结目前分解算法研究存在的不足,为后续研究算法提高提供思路。(2)针对HD EMG分解算法中ICA算法单一的问题,将Infomax和RobustICA算法引入到EMG分解中,改进了 HDEMG分解算法,通过模拟及实际人体实验获得了高密度肌电图信号数据,分析并技术实现了 FastICA、Infomax和RobustICA三种不同的基于ICA的HDEMG分解算法,获得这三种算法在不同信号条件下的性能数据,并对三种算法进行了特性分析,丰富了 EMG分解算法中的ICA算法选择方法。(3)围绕HD EMG分解算法中缺少系统性的性能评估的问题,通过处理分析数据,系统地评估了三种算法在不同的信号复杂度和信号质量下的性能,包括精度、算法的一致率,形成了 HDEMG分解算法的系统性性能评估方法。(4)针对HDEMG分解算法中缺少特定条件下的盲源分离ICA算法选择参考的问题,对三种算法的扩展因子R进行了验证,分别分析了三种算法在模拟数据与真实数据下的性能,为一些特定应用程序的算法选择提供了技术支撑。