En este documento, presentamos un estudio preliminar que propone mejorar el reconocimiento de gestos de mano basado en electromiografía de superficie (sEMG) mediante la optimización de parámetros y clasificadores de votación deslizante. Apuntando al sistema de control mioeléctrico de alto rendimiento, los métodos tradicionales para el reconocimiento de gestos de mano aún necesitan mejorar aún más la precisión de clasificación y la tasa de utilización de las señales sEMG. Por lo tanto, el método propuesto primero optimiza los parámetros para reducir la información redundante seleccionando los valores adecuados para la longitud de la ventana, la tasa de superposición, el número de canales y las características de las señales sEMG. Además, el clasificador de bosque aleatorio (RF) es un clasificador avanzado para el reconocimiento de gestos de mano basado en sEMG. Para mejorar aún más el rendimiento de clasificación, este documento propone un clasificador de votación deslizante de bosque aleatorio (SVRF) que puede reducir las posibles decisiones falsas tomadas por el clasificador RF. Finalmente, se realizaron experimentos utilizando dos conjuntos de datos sEMG, llamados DB2 y DB4, de la base de datos NinaPro, así como datos recopilados por nosotros mismos. Los resultados ilustran una cierta mejora en la precisión de clasificación basada en los valores optimizados para la longitud de la ventana, la tasa de superposición, el número de canales y las características de las señales sEMG. Y el clasificador SVRF puede mejorar significativamente el rendimiento con una mayor precisión en comparación con los clasificadores tradicionales de análisis discriminante lineal (LDA), vecinos más cercanos (KNN), máquina de vectores de soporte (SVM) y RF.