心率是人体重要的生理参数，最近华为小米等公司都相继开发了穿戴式腕表或者手环，运动状态的识别和运动心率检测是这些腕表最重要的健康功能。这些设备通过对人体加速度信号和脉搏波信号的分析来实现心率检测。然而这些腕表的运动下心率识别的准确性有待提高。针对这些现状，本文拟对运动状态识别算法和心率检测算法进行研究。　　本文首先设计了一款实验用的心率腕表，该腕表可以采集三轴加速度信号和两通道的脉搏波信号，该设备作为后续算法研究的基础。　　论文首先进行了运动状态识别算法研究，基于公开数据库开发了一套基于加速度信号的运动状态识别算法。算法提取加速度信号的时域特征、频域特征和时频特征，并利用SVM和决策树来实现运动状态的识别。分析结果表明算法可以有效识别静止、走路、跑步、跳跃、原地踏步5类动作，决策树运动状态识别正确率超过了93％。随后的实验表明基于心率腕表的运动状态识别准确率为81.78％。　　随后进行了心率检测算法的研究。运动会引起很大幅度的脉搏波干扰，论文对各种不同的运动类型引起的脉搏波干扰进行了研究，发现脉搏波中的干扰信号与加速度有相同的频率成分。基于此，本文提出利用功率谱抵消技术来实现心率检测。利用研制的腕表进行了运动实验，来验证算法的性能。实验共采集了10组安静状态、22组跑步状态、21组踢足球状态的数据。实验过程中受试者佩戴了Polar心率带，测量的心率作为心率的参考标准。使用平均绝对误差E、误差小于5BPM所占百分比(PE＜5)，误差小于10BPM所占百分比(PE＜10)三个指标来评价心率算法的准确性。实验结果表明安静、跑步、足球三种运动下E分别是3.80BPM、6.94BPM、16.38BPM;PE＜5分别为76.77％，68.09％，32.06％;PE＜10分别为94.4％，83.5％，47.28％。可见，在足球运动下，功率谱抵消技术效果不是很好。随后使用独立成分分析、经验模式分析、自适应滤波3种方法对不规律运动（足球）的数据进行分析。选择独立成分分析处理后的脉搏波信号计算心率，算法改进后E减小了1.8BPM。PE＜10和PE＜5分别提升了5.37％和3.55％。　　本论文提出的运动状态识别算法获得了较高的准确率，设计的心率检测算法可以在静止和跑步下获得较好的准确率，而在不规则的踢足球等运动下准确率有待提高，该算法有望在运动腕表中得到应用。