表面肌电信号是一种特殊的生理电信号,能够有效反映人体的行为意图,由于其自然、直接和无创的特点,日益成为人机交互领域中的研究热点。作为一种非键盘输入技术,基于表面肌电信号的交互方式能给用户提供良好的交互体验,可广泛应用于康复治疗、假肢控制、机器人控制和助老助残等领域。本论文针对基于表面肌电信号手势交互过程中的高维特征优选、分类器选择、实时控制及多模式手势识别等系列问题进行研究。主要工作如下:1.针对基于表面肌电信号模式识别中特征维度过高和分类器选择的问题,采用了基于自适应惯性权重的粒子群算法来对特征进行优选,降低特征维度,并对多个分类器进行优选,以达到较高的手势识别精度。首先,对受试者采集的离线信号进行滤波处理、滑动窗口大小的选择和特征提取;然后通过自适应惯性权重的粒子群算法对特征进行优选来降低高维的特征集;最后通过优选后的分类器来对手势进行识别。相关实验结果表明该方法能够有效的提高手势动作的分类精度。2.针对基于表面肌电信号的人机交互控制问题,设计了表面肌电信号手势识别及交互控制系统。该系统包括数据采集、预处理、高维特征提取及优选、分类器优选及交互控制等功能,能够对不同受试者提供个性化的预训练。通过预训练得到优选特征和分类器,用于机械手的实时交互控制,能够有效保证控制精度。3.针对多模式手势识别精度不高的问题,提出基于注意力机制的多尺度卷积神经网络来对手势进行分类。首先通过多尺度卷积神经网络提取更具代表性的特征;其次,引入注意力机制更好地聚焦关键信息并筛除冗余信息,从而有效提高手势识别精度。相关实验表明,基于注意力机制的多尺度卷积神经网络能够有效的提升多模式手势的识别精度。