本书重点在深度机器学习框架下，围绕上述关键问题，对笔者的研究经历、研究成果和研究结论进行总结和归纳，主要内容如下： 章主要介绍感知用户界面(perceptual user interface，PUI)以及感知计算(perceptual computing)概念的提出和历史发展，以及在感知计算语境下，基于表面肌电的手势识别(下文中简称为“肌电手势识别”)技术相比其他手势识别技术的特点和优缺点，由此引出笔者的主要研究问题和本书主要架构。 第二章描述表面肌电信号的产生机理，并对基于表面肌电的手势识别技术进行综述。 第三章基于手势动作与肌群产生的肌电信号的关联性假设，介绍一种面向肌电手势识别的多流融合深度学习方法，对前臂肌电信号生成的肌电图像进行多流表征，将得到的多个子图像分别输入多流卷积神经网络各个分支中进行建模，之后通过特征层多流融合，把多个分支学习到的深度特征融合在一起。在不同肌电数据集上的结果表明，在多流融合深度学习框架下对前臂不同肌群的肌电信号进行关联性建模，可以有效提高肌电手势识别的准确率。 第四章介绍了一种面向肌电手势识别的多视图深度学习方法，从稀疏多通道肌电信号中提取多个经典特征集构建为肌电信号不同视图的数据，然后通过一个深度学习框架下的视图选择过程，选取具有较优手势识别性能的视图，将其数据输入多视图卷积神经网络中进行建模。相比单视图学习，多视图学习可以充分利用原始数据多个视图下的信息，从而带来性能的提升。 第五章主要介绍肌电手势识别中的领域偏移问题，并介绍一种面向肌电手势识别系统的无监督领域自适应算法，以及其对笔者所提出不同深度神经网络模型在会话间或被试间手势识别测试时性能的影响。 第六章对本书内容进行了总结，并对未来相关研究工作进行展望。