在基于表面肌电信号（surface electromyogram， sEMG）的意图识别研究领域，目前大多数的研究主要集中在提高肌电识别的准确性方面。然而，在实际应用中，基于sEMG识别的交互系统往往受到诸多非理想因素干扰，肌电识别的准确性被大大降低。本文主要关注在非理想条件下肌电识别的鲁棒性研究，首先详细归纳了肌电识别方法受到的非理想干扰因素（如电极偏移、个体性差异、肌肉疲劳、肢体姿态或其他综合性干扰），总结了当前研究的抗干扰方法；随后讨论了非理想干扰因素研究现状中的主要问题；最后在构建肌电数据集、探索深度学习和迁移学习，以及肌电分解研究等方面，对未来的关键技术进行了展望。