为了实现肌肉疲劳状态的准确检测分类，提出一个完整的基于人体表面肌电（sEMG）信号的肌肉疲劳分类与检测系统。首先，通过AgCl表面贴片电极和高精度模拟前端ADS1299采集人体sEMG信号，进行小波消噪等预处理之后，提取可反映人体肌肉疲劳状态的sEMG信号时域和频域特征。然后，在常用特征如积分肌电图（IEMG）、均方根（RMS）、中值频率（MF）以及平均功率频率（MPF）基础上，为更加精细地刻画人体肌肉疲劳状态，引入sEMG信号的频域特征带谱熵（BSE）；为弥补傅里叶变换分析非平稳信号的不足，引入sEMG信号时频特征——基于经验模态分解-希尔伯特变换（EEMD-HT）的平均瞬时频率。最后，为提高肌肉非疲劳和疲劳状态分类的准确度，利用含突变的粒子群优化算法优化支持向量机（PSO-SVM）并对sEMG进行分类，实现人体肌肉疲劳状态检测。征集15名健康男青年进行sEMG信号采集实验，建立sEMG信号库，提取特征进行分类实验。实验结果表明，所提的系统能够进行高精度sEMG信号采集和肌肉疲劳程度的高准确度分类，分类准确率大于90%。