表面肌电(surface Electromyography, sEMG)信号是一种复杂的人体表皮下肌肉电活动在皮肤表面处时间和空间上的综合结果,是从人体骨骼肌表面通过非侵入方式记录下来的神经肌肉活动时发放的生物电信号,它能在非损伤状态下实时反映神经肌肉的功能状态。本文主要研究人体下肢sEMG信号的采集与处理以及基于sEMG信号的运动模式辨识方法,研究内容主要涉及神经—肌肉学科中的神经肌电信号、信号处理和模式识别等方面。随着材料、传感器和计算机等技术发展,国内外对表面肌电的研究也逐步深入,使得表面肌电信号不仅在运动医学、临床医学及康复医学等领域被广泛应用,而且还成为了人工假肢的理想控制信号。sEMG信号的模式识别是其应用的基础,为此,本文深入探讨了如何由采集的sEMG信号来识别下肢不同的运动模式,其目的就是基于sEMG信号的非平稳性和随机性,运用现代信号处理方法寻求其内在的本质特征,并深入研究及运用现代模式识别理论设计模式分类器,使其能够对下肢运动模式的本征值进行有效识别,为揭示sEMG信号的本质与多自由度肌电控制假肢的实用化提供理论依据,主要工作和创新之处如下：1.设计了sEMG信号的放大滤波电路,sEMG信号的放大滤波电路是实现肌电信号采集系统的关键,根据sEMG信号的幅频特性和外界信号对其影响,本文设计了较好的滤波电路,特别是设计出了一种新型的50Hz工频陷波电路,能够很好地解决工频噪声对sEMG信号的不良影响；2.利用小波变换的多分辨率分析技术,利用小波分解系数矩阵的奇异值构建sEMG信号特征向量,结合BP神经网络和支持向量机分类器,对人体下肢常见六种运动的分类进行了研究,并完成了对下肢肌肉的疲劳评估和基于sEMG信号的路况识别；3.提出了基于粒子群优化的过程神经网络分类算法,兼顾了采集信号的空间耦合作用和时间积累效应,避免了因特征提取而导致的信息流失,在无需进行特征提取的情况下,完成了对人体下肢不同运动模式的自动分类。与传统的过程神经网络算法相比,本文采用的粒子群算法通过对网络系数的优化,大大提高了算法的执行效率,并取得了理想的分类准确率。