随着穿戴式设备的普及与发展，人机交互方式不断推陈出新，打破以往的交互界限，因而如何寻求更为高效自然的信息沟通方式成为行业的热点。肢体语言，尤其是骨骼肌运动所表征的含义成为人机交互探索的方向，而肌电信号作为运动模型探索的信息来源，在一定程度上反应人体神经肌肉的功能状态。　　本文从表肌电信号的原理入手，并对信号提取、特征提取、特征降维逐步展开研究，随后又分析对比基于表肌电信号的分类方法。主要的工作如下:　　通过了解手臂上的骨骼肌群，设计表肌电采集实验——选取9种代表性的手腕手势动作，并将其大体分为主手腕动作与主手指动作两类。　　为了简单有效地提取表肌电信号中的信息，本文对信号的时域以及频域进行较为全面的特征抽取，并人工添加高斯白噪音，以便模拟现实采集环境中可能遇到的随机干扰信息，从而实现对特征的健壮性分析，挑选出鲁棒性强的特征从而更好地应用在现实的环境中。对抽取特征的冗余信息进行主成分分析(PCA)和非相关线性判别分析(ULDA)，并结合传统应用中常见的线性分类器、BP神经网络以及支持向量机分类器，分析不同组合之间的正确率以及不同手势的识别空间大小，针对分类结果进行较为深入的分析。　　结合上述的实验分析结果，本文采用Matlab编程，设计出一套实时手势模式识别系统。为了增强手势活动区间判断的合理性，本文提出一种基于表肌电信号时域频域特征的新活动段判定方法。