我国有超过70%的脑卒中患者面临手部运动功能障碍问题，利用手部康复机器人辅助患者进行手部康复治疗具备广泛的应用前景。依据康复医学指导，手部康复机器人应当能够以表面肌电信号 (sEMG) 作为人机接口信号，辅助患者进行康复训练。基于上述要求，本文研究了计算能力强、运行功耗低、适合处理生理信息的脉冲神经网络 (SNN)，探索了SNN在处理sEMG信号领域的应用。研究内容主要包括SNN的模型、编码方法和学习算法，通过SNN实现高精度的手部康复动作识别。本文的主要工作和创新点归纳如下：

1. 设计了基于三维储备池结构脉冲神经网络的sEMG信号特征提取方法，并利用线性回归、RO学习算法和PSD学习算法分别实现了手部康复动作识别，最高识别准确率达到93.13%。本文首先设计了针对sEMG信号的AER编码方法。随后设计了一个10*10*10的三维结构储备池网络，该网络能够无监督的学习sEMG信号中的特征，实现对sEMG信号特征的自动化提取。最后本文在储备池结构中引入了生物神经网络中的STDP学习规则，进一步提高了网络的特征提取能力。

2. 研究了基于全连接结构脉冲神经网络手部康复动作识别方法，并提取了5类sEMG信号的时频域特征，取得了96.5%的手部康复动作识别准确率。为进一步提高手部康复动作的识别精度，本文研究了多层全连接脉冲神经网络。本文首先提取sEMG信号的5类在手部动作识别领域表现良好的时频域特征，并将上述特征利用群体编码方式编码为脉冲序列。最后运用近似梯度下降学习算法训练了一个3层全连接脉冲神经网络，实现了手部康复动作识别。

3. 提出了脉冲时间的快速搜索算法，通过压缩搜索脉冲区间，使得脉冲神经网络的迭代步数降低了40%。提出了多脉冲梯度下降学习算法，进一步提高了脉冲神经网络的性能，在手部康复动作识别任务中取得了 97.4%的准确率。本文针对现有脉冲神经网络的一些不足，例如运行速度慢和网络训练速度缓慢等问题，提出了一些改进算法。在提高脉冲神经网络的运行速度方面，本文提出了一种快速脉冲时间搜索算法，通过分解膜电势函数，压缩了搜索脉冲的区间，加速了脉冲神经网络的运行效率。在学习算法方面，本文放松了近似梯度下降学习算法的单脉冲约束条件，并引入变学习率方法，加速了训练过程。另外，本文基于自编码器结构，对sEMG信号的每个特征设计了子网络，缓解了神经元不激活现象。