表面肌电信号（Surface Electromyography,sEMG）能够直接、客观地反映人体肌肉的活动情况,其作为一种便捷的无侵入式肌电检测方法,被广泛地应用于人体动作识别领域。在我国的现代社会的发展中,由于疾病、事故等原因引起的上肢功能障碍的人数正在增加,针对利用上肢康复机器人帮助患者进行上肢康复训练的问题也引起广泛关注。因此基于sEMG信号的人体上肢动作模式识别被应用于康复机器人的相关领域,对上肢有运动功能障碍的患者进行相应的辅助训练。本文主要对人体上肢手部动作时所产生的sEMG信号从模式识别的角度进行研究,并利用现有的康复设备,验证本文所使用的的模式识别方法应用在被动康复训练的可行性。本文主要完成了以下五个部分的工作内容:sEMG信号的采集、预处理、特征提取、模式识别分类和在康复设备上的应用。第一部分:sEMG信号的采集。首先分析肌电信号的产生机理及手部动作时所涉及的前臂肌肉群,设计信号采集实验利用MYO臂环采集人体上肢手部动作时所产生的表面肌电信号,采集了6种手部动作时所产生的信号。第二部分:预处理。由于sEMG信号中掺杂着的噪声,使用滤波器去除sEMG的有效信息所处频率范围以外的噪声,随后对信号进行活动段检测,筛选出手部动作时生成的数据片段,剔除受试者休息时产生的数据片段。第三部分:特征提取。对时域特征、频域特征以及时频域特征这三种方法进行介绍分析。进一步采用基于戴维森堡丁指数的评估方法,从中选取有效的特征。第四部分:模式识别。应用支持向量机种和向量正则核函数逼近方法的分类方法对采集到的sEMG信号进行模式识别的分类,其过程分类利用粒子群算法和花授粉算法对支持向量机和向量正则核函数逼近方法中的重要参数完成寻优处理。两种分类器的识别率分别达到了80.56%、94.44%。第五部分:康复平台实验验证。利用分类效果较好的向量正则核函数逼近方法,将经该分类器分类识别出手部动作后,用过计算机对外部康复设备传输控制指令,让康复设备完成规定的康复训练动作。最后得出采用本文的模式识别方法并利用现有的康复设备,康复设备执行规定康复动作的准确率达到了80%以上。以上说明基于sEMG的动作识别用于上肢康复训练的可行性。