近年来,随着现在计算机技术、神经学、数字信号处理技术和模式识别等技术的快速发展,相关研究人员对表面肌电信号(surface electromyography,s EMG)进入了进一步研究。研究表明,表面EMG在智能假肢、智能轮椅、康复医学等领域有着广泛应用。本文在深入探究表面EMG发放机理的基础上,并结合表面EMG的特性,主要研究人体上肢手臂的表面肌电信号的拾取以及多动作模式识别算法,进而实现手腕展拳、握拳、内翻及外翻四种动作模式分类。通过这个研究工作可以为基于肌电的智能轮椅提供一定的参考依据和实践平台。主要研究工作及创新之处如下:(1)搭建基于labview的EMG采集平台,分为采集表面EMG需要的硬件电路和labview搭建的软件系统两个方面。设计的平台可以实时采集和处理有效的EMG。(2)针对表面EMG的非平稳性和非线性特性以及小波包多尺度分解后系数维数过高的问题,为了在表征有效的肌电信号的同时,最大程度的降低特征空间的维数进而简化分类器的结构,提出一种小波包多尺度分解的特征表示和模式识别方法。对采集到的肱桡肌、桡侧腕屈肌、尺侧腕屈肌和指伸肌四路表面EMG进行小波包多尺度分解,得到分解后的小波系数。然后,一方面根据小波包多尺度分解系数与表面肌电信号能量之间的内在联系重构了特征向量,另一方面根据正交小波包基组成的基向量重构特征向量,分别获得动作模式特征矩阵;并与时域法、频域法、时-频域法等特征提取方法对比实验。通过使用非线性自回归神经网络分类器进行对比实验可知,提出的小波包多尺度分解后重构特征向量的方法明显优于时域分析法及常用的频域和时频域分析法,能够很好的体现表面EMG的特征并简化分类器的结构。(3)为了提高前臂动作模式的识别效率,运用非线性自回归神经网络对表面信号进行动作模式识别。通过与Bayes算法、Fisher、BP网络、K近邻和SVM等分类模型对比实验可知,非线性自回归网络对动作模式的特征识别效率更高。实验结果表明,运用文中提出的表面肌电信号的动作模式特征表示和识别方法能够识别手腕握拳、展拳、手腕内翻和外翻四种动作模式,平均识别率为95.0%。