表面肌电信号（sEMG）是肌肉活动时所有募集运动单元（MU）产生的运动单元动作电位（MUAP）在表面电极处时空综合叠加的结果，包涵了大量的MU募集和MUAP发放信息。sEMG信号分解就是从sEMG信号中提取主体运动单位动作电位序列（MUAPTs）的过程，分解得到的MUAP发放信息有助于深入研究神经-肌肉控制系统的调控机理，在临床医学、假肢控制、康复医学、运动医学等领域具有良好的应用前景。目前，sEMG信号分解技术可以大致分为两种类型：一类是盲源分离算法或系统辨识法，另一种是MUAP形态学方法。由于第一类算法应用于sEMG信号的基本假设条件并不一定满足，且目前的分解效果并不理想，因此本文基于MUAP形态特征设计了一种的sEMG信号分解算法。在分析总结相关文献的基础上，本文结合MUAP波形常见为双相或三相波形特点，利用Hermite-Rodriguez函数拟合了4种时间、幅度可伸缩的MUAP波形模板；为了减小沿时间轴顺序分割sEMG信号可能对MUAP叠加波形识别所带来的影响，本文依据MU募集的“大小原则”，从整段sEMG信号中，按照从大到小的顺序逐个剥离出相应的MUAP波形。值得注意的是，本文在MUAP波形的识别过程未增加MUAP发放规律的假设，仅限定了MUAP发放频率的范围。此外，本文所设计的sEMG分解算法可对单通道sEMG信号进行独立分解，克服了对其他通道信息的依赖。为了满足sEMG分解对信号高信噪比的要求，本文分别采用了分3个步骤对原始sEMG信号进行了预处理。首先，本文采用了椭圆带通数字滤波器来消除sEMG信号主频带（20~500Hz）以外的部分低频和高频噪声。其次，基于快速独立分量分析算法（FastICA）设计算法实现了工频干扰的分离。最后，采用具有双正交、紧支撑性、近似对称性等优点的coif2母小波对sEMG信号进行小波包去噪。实测sEMG信号的分解结果显示，本文所提sEMG信号预处理算法不仅有效地滤除工频噪声等噪声，而且较好地保留了MUAP波形的锐度。由于缺乏sEMG信号中主体MUAPTs的先验知识，通常需要专门设计相应的算法准确性验证方案。因此，本文构建了简单的sEMG信号模型来对本文所提算法的准确性进行验证。本文分别对不同信噪比（5dB、10dB、15dB和20dB）不同叠加程度（0%、10%、20%和30%）情况下的5s长的仿真sEMG信号（采样率为2kHz）进行了分解，每种情况进行20组。仿真sEMG信号分解的结果显示，该算法在噪声水平较高（SNR=20dB）、MUAP叠加程度较轻时(10%)，分解的准确性较高（90.94%　1.27%）；为进一步验证利用本文算法提取出来的主体MUAPTs与相应的神经肌肉活动是否具有相关性，本文还将该算法应用于8名受试者（3组/人）不同手指活动模式下的指浅屈肌多通道（12通道）sEMG信号分解；单通道分解结果显示，高力量水平下sEMG信号中的主体MUAPt能够被有效检测和分类；统计结果证实，随着力量水平的增加，MUAP的数目增加；不同大小MUAP的比重的变化与活动手指和力量水平具有显著的相关性。本文的实验结果初步验证了利用先验模板从sEMG中渐进提取MUAP的可行性，为sEMG分解和进一步研究MU发放规律提供一种新的思路。