传统基于卷积神经网络的表面肌电信号手势识别算法普遍识别精度不高，究其原因：一是常规卷积对输入通道做卷积并求和，进而造成sEMG信号的通道特征和时序特征混杂一起；二是这些算法对sEMG信号中不同通道间的特征提取不够充分。针对这一问题，提出了一种基于SE注意力与XceptionTime的肌电信号手势识别模型。首先，对原始的表面肌电信号分别进行滤波、归一化和滑动窗口的预处理操作；然后本网络中的SE-XceptionTime模块通过使用深度可分离卷积可将通道特征与时序特征分开映射，并设置3个不同卷积核大小滤波器提取长或短的时序信息；最后在该卷积后加入SE注意力机制，以此来关注通道中的有效特征，弱化无关信息的干扰。实验结果表明，在NinaproDB1数据集上52类手势识别准确度达到了88.72%,均高于目前主流的深度学习手势识别网络模型，充分验证了网络模型的有效性。