由于疾病、事故等原因,肢体残疾患者的人数在不断攀升,但智能假手设备还不能完全满足患者的需求。随着康复医学工程技术的进步,基于表面肌电信号（surface Electromyography signal,sEMG）的智能假手控制系统受到广泛关注。该系统有助于前臂残缺患者恢复部分肢体功能,提升患者的生活质量,因此智能假手系统的研究显得尤为重要。本文构建了基于sEMG的在线手势识别与智能假手控制系统,主要研究内容如下:（1）sEMG的采集与预处理。本文运用Myo臂带采集sEMG,该设备操作简单且安全性高。为了增强sEMG在手势识别中对手部动作的表征能力,提出一种信号重组融合算法（Recombination and Fusion,RCF）。该算法通过重构sEMG的样本结构虚拟地扩增了信号通道,为手势识别提供更丰富的输入信息。（2）sEMG的特征提取与特征优化。在特征提取阶段,本文构建了由8个时域和2个频域特征组成的特征集合。由于在该阶段获取了高维的特征数据,所以采用主成分分析法进行数据降维,进而减少数据分析的运算量。（3）基于sEMG的手部动作识别。本文运用K近邻、线性判别法与支持向量机三种机器学习算法进行手部动作分类实验,并且通过结果的对比证明了RCF算法的有效性。为了提升手部动作识别的精度,在完成RCF数据预处理的基础上改进了时序卷积网络（Temporal Convolutional Network,TCN）,最终获取了高达93.69%的十手势分类精度。（4）基于sEMG的实时智能假手控制系统。系统中的智能假手运用了3D打印技术,其具备重量轻、易于携带的优点。该系统基于改进的TCN进行十种手势的在线识别,运用识别结果实时控制假手的指关节角度变化,最终实现了基于sEMG的假手控制。