在工作和生活压力与日俱增的现代环境下,心理压力给人们身体和精神健康带来的问题日益显著,长期的压力甚至会引起抑郁问题,因此,对心理压力的准确识别评估显得尤为重要。基于生理数据的压力识别可靠有效,不受主观因素影响,现已受到了国内外研究者的广泛关注。然而现有的压力识别研究存在不少问题:（1）手工设计的特征存在局限,对压力的表征能力不足;（2）不同压力诱发范式采集的生理数据存在差异,通过特定范式数据建立的压力识别模型,迁移至其他范式中时泛化能力不强,难以应用于实际中应对压力多样性。针对以上问题,本文在基于光电容积脉搏信号（PPG）的心理压力识别领域进行了相关研究,开展了以下工作内容:（1）研究对比现有的压力诱发实验范式,选择Stroop测试、压力回忆实验以及社会压力测试作为心理压力诱发方法,设计生理数据采集流程,招募73名被试者建立了基于PPG信号的多范式压力数据集。（2）针对PPG信号中传统手工特征对压力表征能力的不足,本文引入自监督学习,根据数据的结构与特性设计自监督前置任务,通过对原始样本进行若干种信号变换从而带来监督信息,使卷积神经网络能够通过无标记数据去学习提取深度特征。自监督深度特征能够有效用于压力识别,相比传统特征更有优势,并具备更鲁棒的压力分类能力,而且这两种特征可以进行融合,弥补传统特征的不足,带来更好的压力识别性能。（3）针对压力识别模型在跨范式压力预测中泛化能力不足的问题,本文引入深度无监督领域自适应方法,提出基于最大均值差异的域适应以及改进后的类引导域适应的压力识别模型,通过减小不同实验范式数据之间的差异,提升模型在无标注新范式下的泛化能力。实验结果表明,基于无监督域适应的压力识别模型在跨范式任务中表现出优越的识别性能,在准确率方面平均提升3.76%,在召回率方面平均提升9.41%。（4）最后,本文搭建了一个在线PPG信号压力识别系统,它具有生理数据采集、信号可视化、压力状态识别、压力识别结果显示等功能,为未来应用研究提供了参考。综上所述,本研究建立生理信号压力数据集,在特征提取方面进行了一定的探索,同时为解决跨范式压力预测提供新思路,有利于压力识别技术应用于实际生活中。