脑卒中是我国成人致死、致残的首位病因,其对患者、家庭与社会带来巨大负担,80%以上卒中幸存者存在运动功能障碍,而上肢运动功能障碍最为普遍和严重。传统康复训练由康复治疗师进行人工指导和辅助训练,存在人力消耗大、训练效率低等问题。交互式康复训练可调动患者积极性,提高患者依从性,减轻医护人员负担,其中康复训练动作识别对于交互式康复训练至关重要,如何有效提取动作特征,提高康复训练动作识别准确率面临挑战。论文从多通道表面肌电、阵列型表面肌电和多模态数据融合等方面开展基于卷积神经网络的脑卒中上肢康复训练动作识别研究,提出深度学习方法进行特征提取与动作识别,设计并实现脑卒中康复训练平台。论文主要工作如下:1.针对多通道表面肌电康复训练动作识别问题,提出融合注意力的卷积循环神经网络模型,通过非负矩阵分解盲源分离获得输入信号,采用卷积循环神经网络提取信号时空特征,融合注意力模型自动分配特征权重,实现上肢康复训练动作识别,在Ninapro两个子数据集上准确率分别达86.5%和86.2%。2.针对多肌肉协同的手部精细康复训练动作识别问题,提出基于阵列型表面肌电的并行卷积循环神经网络模型,将阵列肌电数据重构为多帧肌电图像和多通道肌电序列,通过并行卷积神经网络和并行长短期记忆网络分别提取肌肉物理空间协同特征和活动时变特征,实现上肢康复训练动作识别,准确率达96.4%。3.针对肌力变化和肢体位置变化下的上肢康复训练动作识别问题,提出基于多模态数据融合的双路多尺寸卷积神经网络模型,自适应提取肌电和加速度数据特征,引入多尺寸卷积块增加模型容量以提高拟合能力,实现上肢康复训练动作识别,准确率达96.7%。4.基于Spring Boot、Vue.js和My Batis等技术框架,采用Java语言和My Sql数据库,设计并实现浏览器/服务器架构的脑卒中康复训练平台,平台具备用户管理、患者管理、训练计划管理、训练记录管理、训练模板管理、训练项目管理和系统管理等功能,实现脑卒中临床康复训练的流程化和信息化管理。