肌电假手采用残肢者残端肌肉上检测出的微弱的，但却能反映人的运动意志的肌电位变化作为假手动作的控制信号，它是一种典型的生物机电一体化系统。目前，肌电假手正朝着多自由度的方向发展，同时人们也对它的舒适性、实用性、准确性和灵活性提出了更高的要求。因此，为了解决基于肌电信号的多自由度假手动作模式的识别问题，本文结合国家自然科学基金重点项目“新一代仿人型残疾人假手系统及理论的研究”(项目编号：50435040)，重点研究HIT三自由度欠驱动仿人型假手的肌电控制方法，为多自由度假手的商业化做准备。　　本文首先基于PC机平台建立了HIT三自由度仿人型假手控制系统，包括多通道肌电信号的采集系统、肌电信号在上位机内的分析处理系统、上位机与假手之间的通讯系统和基于DSP的假手控制系统。多通道肌电信号的实时数据采集系统的建立采用了德国OttoBock公司的13E125电极和ADLink公司的9118HR数据采集卡。在上位机与假手之间的通讯系统中，从动作识别的准确率方面考虑给出了两种控制方式，并制定了上位机与假手之间的串口通讯协议。在基于DSP的假手控制系统中，根据HIT假手特点，采用了基于TMS320F2810芯片的假手控制系统，并完成了假手电机的控制和同上位机的通信。　　肌电信号在上位机内的分析处理系统是本篇论文的核心，它的研究内容包括肌电信号的特征提取、特征选择和特征分类。在肌电信号的特征提取部分本文选择了在信号处理中使用的时域分析法AR参数模型、时频域分析法小波变换和非线性分析方法（LZ复杂度、样本熵和近似熵）来提取肌电信号的特征参数。并提出不只选择这些特征参数、而且将其组合方式也作为特征参数进行选择，即提出了将时域特征与时频域特征、时域特征与非线性特征以及时频域特征与非线性特征相结合的特征提取方法。而对于肌电信号的特征分类器，本文提出使用三层前馈神经网络作为分类器的基本结构，采用VariableLearningRate(VLR)加动量项算法、ResilientBackpropagation(RP或RPROP)算法和Levenberg-Marquardt(LM)算法确定不同分类器的网络参数。并提出将这三种不同算法的神经网络进行组合，建立组合神经网络分类器，进一步提高分类器的识别能力。此外，本文还给出了提高特征分类器泛化能力的设计方法。　　针对建立的HIT三自由度仿人型假手系统，本文进行了大量的实验，实验结果表明：基于两通道肌电信号，采用4阶AR模型特征参数与LM算法神经网络分类器的组合方式，可以实现对人手拇指、食指和中指弯曲动作高达99％以上平均识别率，而且该算法可以成功的移植到新一代假手的DSP(TMS320F2812)中执行。在基于三通道肌电信号控制拇指、食指和中指弯曲/伸展共六个动作的实验中，采用小波变换5级分解加奇异值分解法与样本熵相结合的方式，对于不同算法的网络均有着最好的识别能力和较低的计算量。在实验中还发现，以VLR加动量项算法和RP算法训练的网络组合而成的特征分类器有着最好的识别能力，平均识别率达到98.3%，比单神经网络分类器的最高识别率高出3.3%。