表面肌电信号作为人体的一种生理信号,蕴含着肌肉状态和人体动作意图的相关信息。基于表面肌电信号的手势识别也一直是人机交互领域的前沿技术与研究热点。传统方法多采用机器学习算法来进行肌电手势的识别,但准确性不够。近年来,随着硬件设备性能的提升,不少研究人员开始将深度学习算法引入肌电手势识别中,并取得了一定的效果。但这类研究也存在不少局限:对表面肌电信号的时序特性、肌群间的协同作用等考虑不多,导致模型的精度仍然受限。本文针对上述问题进行研究,并做了如下工作。(1)针对肌电手势识别中较少考虑时序特性的问题,本文将循环神经网络引入到卷积神经网络架构,提出一种基于并行CNN-RNN的肌电手势识别算法。该模型使用两个并行的神经网络分支,每个分支中的卷积神经网络使用狭长的卷积核;另外在各分支中加入长短时记忆网络,用于表面肌电信号的时序特征的提取,最后再进行分支的特征融合与分类。在Nina Pro多个数据库上的实验结果表明,相比于在模型中单独使用CNN或者RNN架构,两者的融合可以提取表面肌电信号的时空特性,使得手势识别的准确率得到提升。(2)为进一步提升识别率,本文基于手势动作依赖多个肌肉组织协同作用的假设条件,提出了一种面向肌电手势识别的多流融合深度学习算法。该算法基于电极位于手臂的位置进行多流划分,使用并行的卷积神经网络对得到的多个数据流建模,再融合多个流的特征图用于最终的分类。在Nina Pro多个数据库上的实验结果表明,在多流的融合框架中对手臂上相邻位置的肌群产生的表面肌电信号关联性地建模,可以有效提高手势识别的准确率。