表面肌电信号（Surface electromyography,sEMG）是肌肉活动过程中产生的微弱生物电信号,其中包含丰富的信息,在手语识别、假手控制和人机交互等领域得到广泛应用,并且每种肢体运动与肌肉的精确活动有关,因此可以用于识别肢体的运动意图和运动状态。虽然当前基于表面肌电信号的手势动作识别已经取得了一些进展,但由于表面肌电信号非线性非平稳的特性,使得在表面肌电信号降噪、活动段检测、特征提取与特征选择优化方面仍存在一些问题,并且能够识别的手势不多,识别正确率也不理想。本文采用理论与实验结合的方式,对原始表面肌电信号进行一系列处理,具体内容如下:（1）目前表面肌电信号模式识别研究的手势动作种类少,且对微小的手指手势动作模式识别的效果不理想。本文结合实际设计了12种常用的手势动作,并且通过比较手臂各个肌群在手势动作中发挥的作用,确定将电极分别放置在掌长肌、桡侧腕曲肌、尺侧腕曲肌和指伸肌的肌腹位置。（2）针对采集到的表面肌电信号通常包含大量噪声,本文对比不同小波阈值和阈值函数的降噪效果,最终选择sym8小波函数对表面肌电信号进行6层小波分解,并采用启发式阈值和软阈值函数进行降噪。为了有效的提取活动段数据,本文对比了三种活动段数据提取算法。实验结果表明,双参数多阈值算法可以有效的提取活动段数据。（3）以往的研究大多选择几个恒定的特征进行手势识别,忽略了冗余的特征对手势识别的影响。本文采用了时域、频域、时-频域多域融合结合最小冗余最大相关、基于快速关联的过滤算法、Relief-F和Pearson相关系数进行特征选择。将支持向量机和线性判别分析分类器与4种特征选择算法组合得到不同的识别模型,发现不同的识别模型得到的结果不同,并且基于多域融合与特征选择的手势识别模型可以在较少特征情况下,达到较高的识别正确率。（4）表面肌电信号是非线性、非平稳的随机信号,提取良好的特征是获得较高识别正确率的前提。本文提出改进小波包特征提取方法,首先采用经验模态分解将信号平稳化,然后选择与原始信号有较高相关性的基本模式分量进行小波包变换,并提取小波包系数特征,提取出的特征量纲不同,采用最大最小法对特征进行归一化。实验结果表明,改进的特征提取方法提高8.67%的识别正确率。