表面肌电信号(Surface Electromyography,sEMG)是能够反应肌肉收缩情况的生物电信号。通过分析sEMG信号可以获知肢体的运动信息。由于sEMG采集方便、仿生性好,在假肢控制、辅助诊断、人机交互等领域得到广泛应用。在利用sEMG信号分析人体运动意图的研究中,主要涉及到数据预处理、特征提取与模型分类。其中,特征提取是极其关键的一环,然而这往往涉及到大量手动设计的特征与专业的领域知识,因此实验者会在特征提取上耗费时间与精力。为了解决此问题,研究者借鉴了深度学习在图像分类上的成功经验,将能够自动提取特征的深度学习方法应用在基于sEMG的手势识别问题中。实验结果表明,该方法可以显著提升肌电信号的分类精度。本文在前人研究的基础上,根据sEMG信号的特点,设计出一种深度学习模型——双流网络模型,此模型能够自动提取sEMG信号的时空特征。首先,将多帧肌电信号合并为灰度图,利用卷积神经网络(Convolutional Neural Networks,CNN)来提取灰度图的高层次的抽象空间特征。其次,sEMG信号属于时序信号的一种,信号内部存在着时间规律,可以采用长短时间记忆机(Long Short-Term Memory,LSTM)学习信号间的时间特征。之后,将来自表面肌电信号的空间特征与时间特征融合为时空特征。通过使用CNN与LSTM的并行结构,可以有效的自动学习到sEMG信号内部的时空特征。除此之外,本文还探讨了还另外两种CNN与LSTM的结合方式,通过实验验证,也获得较好的分类效果。最后,本文使用了团队自研的肌电仪作为sEMG的采集设备,采集了8位志愿者的5种手势数据构建了Elonxi DB数据集,本文设计的三种模型将与经典的传统分类方法和基于CNN的方法进行对比实验。除此之外,为验证双流网络模型的泛化能力,公开数据集Nina Pro DB1被用于本文的实验部分。实验结果表明,与CNN相比,本文提出的网络结构能够提取sEMG信号的时空特征,可以更加有效的提高手势识别准确率。