基于肌电控制的仿人型假手常被用于截肢患者的肢体复健,具有拟人化和多自由度等特点,可以完成日常生活中基本抓握动作,如握住杯子,捏住钥匙等,但是相应的肌电控制策略面临着可控模式较少、准确率不高等不足。本文在国内外相关研究的基础上,改进基于模式识别的肌电控制策略,以较高的准确率完成了八类手势的离线训练和在线识别,并实现了仿人型虚拟假手和仿人型机械假手的运动控制。文中首先对国内外常用的肌电控制策略进行了综述,重点分析了基于模式识别的肌电控制策略,并提出本文的研究目标,即使用两通道的肌电控制系统准确识别八类抓握手势,并控制仿人型假手做出正确手势。这八类手势包括：圆柱抓取、勾取、侧边捏取、指向、放松、球形抓取、三指捏取和两指捏取。本文设计了肌电控制系统的总体框架,将其划分为信号源、信号采集、信号处理和假手控制四个环节,介绍了各环节实现所需的关键技术,然后基于该框架完成各类手势肌电信号的离线训练和在线识别。在离线训练阶段,本文研究了多种特征及其组合对识别结果的影响,确定绝对均值、方差和4阶AR系数为最优特征组合,其组成12维的特征向量来代表原始肌电信号。在特征降维时,通过比较不同降维程度带来的识别结果,确定LDA算法最佳降维程度为7维。随后本文提出“前平滑”的处理方式,将当前降维后的特征向量与前一个进行平均,再将平均后的特征向量送入LDA分类器,该步处理提升了离线平均识别率。对于在线识别阶段,本文采用重叠加窗的数据分割方式,在原最优特征集中加入样本熵特征,进一步提高了离线平均识别率。对于重叠窗口方案带来的判定流,本文使用了“后平滑”的处理,即将当前识别结果与前m个识别结果进行平滑,从而得出最终判定。综合考虑识别结果准确率与系统延迟,本文定义了m的最佳值。该在线识别方案能够很好地实时识别各受试者手势,同时也适用于连续手势切换的识别。对于特别熟练的受试者,其在不同手势之间任意切换时,该在线识别方案能提供较高的识别率。最后,本文建立了虚拟假手,用于直观展示在线识别的结果,其能跟随人手动作而动作。另外,本文搭建了仿人型机械假手的控制平台,初步实现利用肌电信号控制机械假手完成物体抓握。