由于疾病、自然灾害、突发事故以及人口老龄化日益加重,造成的人体截肢、偏瘫、半瘫以及神经肌肉萎缩等症状,给患者及其家人带来了巨大的经济负担和心理伤害,严重影响了他们的正常生活。如果对这些患者制定有针对性的康复计划,让他们进行一定量的康复训练,提高他们的运动能力和身体素质,让他们身体的运动机制通过康复训练达到正常水平,减轻患者的痛苦,这将是人体表面肌电信号研究的最终归宿和落脚点。本文主要是对人体下肢动作的表面肌电信号进行系统性研究。首先,采集了人体下肢7种动作类别、2种姿态下膝关节4种屈伸运动幅度频度、坐姿状态下3种关节运动模式和2种姿态下膝关节屈伸运动疲劳性的表面肌电信号。接着,分别从时域分析法、频域分析法以及非线性分析法入手,每种分析法分别提取2种特征值,3种分析法共提取6种特征值,对肌电信号进行特征提取。然后,用BP神经网络方法对人体下肢7种动作类别进行模式识别,用ELM极限学习机神经网络方法对2种姿态下膝关节4种屈伸运动幅度频度进行模式识别,用BP神经网络方法对坐姿状态下3种关节运动模式进行模式识别,得到了较高的识别率,并且完成了实时模式识别控制实验。最后,根据提取的特征参数,对人体运动的疲劳程度进行分析,找出人体运动疲劳程度与肌电信号特征参数之间的内在联系,确保人体康复训练的安全性和可靠性。本文利用人体表面肌电信号实时模式识别的结果,实现了对虚拟现实康复训练场景和机电运动系统的实时主动控制,完成了人体表面肌电信号的理论研究成果与实际应用的衔接,真正的做到了更为智能化、人性化的康复训练。通过提取患者的肢体动作运动的人体表面肌电信号生物信息,以此作为虚拟现实康复训练场景和机电运动系统实时控制的源信号,控制虚拟现实康复训练场景和机电运动系统运动模式、运动状态、运动界面的改变,丰富患者训练方式,增加患者训练趣味,提高患者训练效率,具有很重要的康复价值和现实意义。