人体的所有动作都是通过多块肌肉在神经控制系统的支配下互相协调共同完成的。而伴随肌肉运动产生的肌电信号（Electromyography,EMG）是一种重要的电生理信号,由它可以实时地反映出肢体的运动意识和运动状态。在智能假肢领域中,表面肌电信号以其容易被获取并且控制假肢更直接、自然且无创伤的优势,成为应用最为广泛的控制信号源。本论文采用当下的研究热门的深度学习作为手势识别的分类器,同时以人体最具灵巧性的手势动作为研究对象,对表面肌电信号模式识别进行了深入探索。而且为了针对表面肌电信号模式识别研究手势动作种类少,且缺少精细动作模式差别的缺陷,在此次的研究中设计的这些手势动作中包含了相似动作与差异性动作。因此本论文的研究成果将有助于实现更加自然和谐的肌电控制系统,同时对肌电假肢控制、人机交互甚至脑卒中康复训练等研究与应用均具有重要的指导意义。本文具体的研究工作主要有:（1）由于表面肌电信号固有的随机性、非线性、信号微弱且易受干扰的特点,导致获取肌电信号的质量与具体的采集形式和方案关系极为密切。本文对表面肌电的产生机理与特点进行了研究,并以此为根据总结归纳了影响表面肌电信号的因素,同时对前臂肌肉的分布进行分析,以此为前提指导制定全新的表面肌电信号采集方案。（2）本文对时域、频域、频域分析方法进行了简单地介绍,并根据实验数据对比特征模式识别能力,选择适合分类器的特征提取方法,最后本文选择了降维频谱系数与小波分解后的T₀时刻小波系数作为卷积神经网络的输入特征,并用原sEMG信号进行对照实验,来验证实验的可行性。（3）根据肌电信号的特性设计了三种不同结构的卷积神经网络,同时通过双阈值法制作信号标签,把上述不同特征提取方法的特征矩阵与对应输出信号标签送入三种卷积神经网络进行训练,最后发现降维频谱特征性能最好,识别率达到了95.13%。