基于表面肌电（ｓＥＭＧ）信号的动作识别技术在人—机完美互融中有着广泛的应用前景，然而其固有的不稳定性和延迟性一直是该领域研究的难点。为了克服这些挑战，提出了一种基于多流卷积注意力 与门控循环单元的网络模型（ＭＳＣＡＧＲＵＮｅｔ）。首先，通过引入融合注意力机制的多流空洞卷积层，动态调整不同位置或通道的权重，捕捉输入数据间的细微差异；其次，对各分支的特征进行融合，更全面地捕捉信号中的有效信息；最后，利用门控循环单元（ＧＲＵ），进一步捕捉时序数列的长期依赖关系。实验结果表明：ＭＳＣＡＧＲＵＮｅｔ 模型的准确率和Ｆ１ 分数分别达到了９７． ８９ ％和９７． ８８ ％ ，该模型的稳定性和可靠性均优于其他对比实验模型，有效地提高了动作识别的准确性。