表面肌电信号(Surface electromyography)是人体在进行肌肉运动时,由肌肉收缩产生并通过表面电极采集到的一种生物电信号,具有提取方便、无创伤的特点,目前已广泛应用于康复医学、智能机器人等领域。但是表面肌电信号在仿生假肢手控制领域仍不够成熟,距临床使用尚有一段距离。本文的研究旨在促进基于表面肌电信号的仿生假肢手尽快在临床上得到推广和使用,运用当前流行的离线学习方法和基于感知机模型的在线学习算法分别对不同采集周期下多个手势动作的表面肌电信号进行分类。本文研究的主要内容有:(1)对表面肌电信号的产生机理进行分析。对表面电极的放置方式进行了研究,详细描述了表面肌电信号的采集过程。(2)研究了表面肌电信号常用的几种特征提取方法,包括时域分析法、频域分析法、时频域分析法和参数模型法,并分别采用这几种方法对采集到的表面肌电信号进行特征提取。对比分析不同特征提取方法所获得的特征元素在不同动作之间的互异性。最终确定利用时域特征信号和自回归模型系数组成表面肌电信号的特征向量。(3)为了说明传统的分类模型对分时间段信号存在不稳定的性能,本文设计了BP神经网络、支持向量机、线性判别分析方法,对已得到的特征向量进行模式识别实验,并统计分析了三种分类模型在同时间段和跨时间段的识别率的差异,得出了传统的分类模型对跨时间段的信号表现出较差的分类性能。(4)然后本文讨论了基于感知机模型的六种在线学习算法,并提出一种表面肌电信号的在线动作识别框架。通过对多个时间段采集的表面肌电信号进行分类,得出了基于感知机的在线学习方法可以较好的解决表面肌电信号跨时间段使用时所发生的精度骤降的情况。并对性能表现突出的软间隔置信加权算法进行了分析。论文最后对全文进行总结,并对未来的研究工作进行了展望。