在人体前臂肌肉的表面肌电信号模式识别研究中，首要任务是给出能够识别日常生活常用动作及情感表达手势的模式识别方法。除此之外，为智能仿生手臂的控制模块提供更多的动作细节信息，如手指关节角、握力等，能够帮助其更好的完成日常生活动作，提高设备的拟人化程度。针对以上设想，本文提出将加速信号及握力信号等其他与描述动作有关的多源信号，与表面肌电信号融合，在模式识别的训练阶段帮助生成更为准确的分类策略，希望对智能仿生手臂的模式识别模块的开发能够起到推动作用。为了实现基于多源信息的智能仿生手臂模式识别研究，从表面肌电信号中提取更多能够用于智能仿生手臂仿生化控制的运动细节信息，本文主要进行了下面几个方面的研究：提出了一种融合双路信号特征的模特征提取算法。在表面肌电信号的手势动作模式识别中，一些识别率的损失是由于信号采集过程中信道顺序颠倒造成的。为了解决这一问题，本文基于复数的概念提出了综合双路信号特征的模特征提取算法，该算法将独立的双路特征作为复数的实部和虚部，计算双路特征的模值作为信号的模特征。该模值能够综合反映双路信号特征，同时对信道顺序不敏感，鲁棒性强。针对表面肌电信号样本标注代价大的问题，本文提出在仅有少量已标注样本的实验条件下采用安全半监督支持向量机的方法进行表面肌电信号模式识别的方法，该方法尝试发掘多个大阈值低密度分类器空间，从而保证半监督学习质量，与有监督学习相比不会出现表现退化的现象，同时保留半监督学习的优势，发掘更多的未标注样本参与到分类中来，最终提高分类的精确度。通过实验结果表明，本文提出的基于模特征的半监督模式识别方法适用于仅有少量已标注样本的实验条件下的鲁棒表面肌电信号模式识别。提出了融合关节角信息的类活动段检测方法。在表面肌电信号-关节角模式识别实验中，采用与手势动作表面肌电信号模式识别的活动段检测方法来处理对应关节角标签的信号分段问题已经不能达到实验要求。针对这一问题，本文提出了一种类活动段检测方法，方法通过融合加速信号帮助准确找到对应关节角标签的表面肌电信号活动段，为神经网络提供更为准确的训练数据，从而提高神经网络的识别效果。实验结果表明，本文提出的类活动段检测方法能够达到理想的信号分段效果，经该活动段分段数据训练的神经网络能够实现较高的识别率。提出了新的表面肌电信号仿生特征提取方法。基于人体上臂肌肉力变化过程分析，本文提出基于窗样本熵和窗峰度值两类特征提取方法，通过建立连续不重叠时间窗的方法，跟踪提取每一时间段的信号特征，从仿生角度让信号特征追随人体肌肉力变化过程的时变特性，衡量表面肌电信号的复杂度及概率密度分布情况，模拟接受大脑指令后不同肌肉力下运动神经元的募集情况，更加直观的体现人脑对产生肌肉力大小的指令意图。针对智能仿生手臂佩戴者的残疾上肢无法提供神经网络训练中完整的输入输出数据的问题，提出采用对侧信号训练的神经网络预测输出肌肉力的实验方案，实验中将左手表面肌电信号输入通过右手实验数据训练好的神经网络中预测左手的输出肌肉力。实验结果表明，本文提出的考虑肌肉力运动特性的表面肌电信号模式识别方法能够实现表面肌电信号-肌肉力的模式识别。建立了具有16个自由度的智能仿生手虚拟样机模型。本文在ADAMS软件中建立了智能仿生手虚拟样机模型，通过运动学仿真实验验证了模型设计的合理性。为了更好的实现智能仿生手虚拟样机模型对模式识别算法和控制算法的调试，本文提出通过ADAMS和MATLAB联合仿真来进行智能仿生手臂虚拟在线仿真的实验方案，实验将智能仿生手臂中应具备的信号采集功能、信号处理功能、模式识别功能及动作控制功能相结合，通过虚拟在线的形式进了完整的在线控制智能仿生手虚拟样机模型的实验。模型按照联合仿真中的模式识别模块对表面肌电信号的识别结果设计控制目标量，通过在SIMULINK中搭建的PID控制系统对模型进行控制完成简单的抓取动作。实验结果证明本文提出的智能仿生手虚拟样机模型在控制算法设计合理、模式识别结果准确的前提下，能够较好的完成在线识别、实现拟人化手部动作。最后，总结了全文所做的工作，提出了今后进一步需要研究的问题。