非接触心率检测算法存在较为成熟的体系框架,通过摄像头采集目标面部信息,完成不接触待测者便能获取心率特征的任务工作,能够在较大程度上解决传染性病人、行动不便的患者、老人与婴幼儿的健康监测,同时也能作为情绪分类评估的指标,具有一定的研究价值。然而大多数的框架任务研究的内容偏向于微动、静止一类的情况,本文旨在建立剧烈运动状态场景下的心率监测的有效框架。（1）在原始ROI亮度信息采集的基础上,额外获取五官特征点的相关数据,对定点拍摄的目标随机相机平面抖动的情况,提出了判断目标运动剧烈程度的方法,通过帧间的水平竖直方向的增量,对不同的运动阶段给出相应的阈值判断,热身（<3pixels）、加速（10～20pixles）、剧烈运动（25～40pixels）,定性不同程度的状态,为之后的研究内容做好铺垫。（2）针对剧烈运动状态,提出了基于改进SSA的运动组分分离算法的处理算法,通过SSA分离峰值频率分量的优先较大的特性,对PPG信号与运动信号对应频率成分中的公共频率分量进行消除,并在此基础上获得心率对应的频率分量。数据源来自自研的数据库,数据库的通用架构为一个完成的跑步机健身运动流程。各项指标均有明显提升,对于剧烈运动段的表现最佳,△bpm≤5的比例均提升20%,最优达到95.45%,与传统频率峰值检测算法比较,结果图像表现上得到整体明显提升。（3）深度学习框架中,建立特殊的频序图作为输入特征图,借用RetinaFace面部识别获取感兴趣区域,进行特征的预处理,通过注意力机制提取出频序图,投入VGG16的基本网络进行数据模型建立,数据来源是中科院的HR-VIPL数据库,对于三种区域分块模型的选择,通过数据比对得出区域5×5效果最佳的实验比较结论,并在此基础上得到初步结果MAE=4.87,RMSE=14.52。与原作者实验结果的RMSE相差较大,通过数据统计的方式,对模型的分类类别和异常数据进行了修补和完善后,优化模型的结果提升到MAE=2.38,RMSE=9.84,通过对10998（70%）数据组的统计,发现其中异常值出现37例（占比0.33%）,通过对于异常数据的修正,完成MAE下降为原来的59%,RMSE下降为原来的68%。实现了通过深度学习的基本网络解决运动视频的初步尝试。