近年来，随着电子技术的进步和嵌入式芯片信息处理能力的迅速增长，现代信号处理与机器学习相关的方法在医疗健康领域有了更深入应用的可能。虽然在生理信号处理领域，对于信号的检测，分类，降噪，参数提取等传统需求虽然仍是工作的中心，但这些工作已经呈现出了“去中心化”特征，开始出现在除专业医疗行业之外的个人健康管理领域中。本文以强运动伪差干扰背景下光容积描记信号(Photoplethymography，PPG)信号的频域参数进行心率和血氧(SpO2)测量作为研究切入点，以低功耗嵌入式MCU为算法目标搭载平台，针对一系列相关关键信号处理技术进行了回顾，总结和改进。在此基础上，实现了两套完整的PPG信号处理算法，有效的克服了前人工作中强运动伪差对消技术对于参考信号传感器的依赖，降低了算法时间复杂度，实现了较高的心率血氧测量准确度。　　本文首先以过去研究工作中得到的信号模型和信号处理技术为主要研究对象，提出了一系列具有针对性的改进方案，其中包括:　　1.提出基于线性谐波叠加的信号和噪声模型，并以此模型为基础，就作者所知，首次将高分辨率谱估计技术ESPRIT和MUSIC引入PPG信号处理领域。同时以此为基础提出了fSpO2（频域相关血氧饱和度）概念;　　2.提出了一种多通道信号处理条件下的ESPRIT方法的性能优化方案(CSS-ESPRIT)，有效降低了多通道PPG信号线谱分析的时间复杂度，该方案还可以进一步推广其它满足特定限制条件的多通道信号处理应用中;　　3.提出了一种低复杂度的利用参考频率信息的信号子空间分划方案FASS，改进了MUSIC方法中信号子空间与噪声子空间的分划;　　4.提出了一种类隐马尔可夫模型的多测量结果下的测量状态转化模型，并以此模型为基础，提出了名为MLT的最大化血氧状态似然的测量结果融合算法。　　除此之外，本文的工作还包括:探究了独立成分分析方法在不同信号帧长度下对于血氧中运动伪差的分离性能和成分血氧估计性能，并在探究结果的基础上设计了一种结合两种帧长信号处理方案的双帧长ICAMS算法(DFICAMS)，兼顾了输出信号的频谱估计精度和成分血氧估计性能;设计了一种简单可行的谱峰训练数据集平衡方案，解决了谱峰分类器训练中遇到的训练数据集不平衡问题;设计了一种对于谱峰数据集进行自动分类标注的方法，进一步完善了基于机器学习的谱峰追踪分类器训练过程;设计了一种新的基于组合分类器的信号成分分类器以及对应的分类器训练方案。　　之后，本文总结了已有的和改进后的几类主要算法核心技术，抽象出了一种基于谐波模型的，具有较高泛用性的生理信号处理框架SSPET。基于SSPET框架，本文不仅给出了面向血氧仪的血氧估计算法（该算法主要模块包括CSS-ESPRIT，启发式心率追踪器，以及最大似然血氧状态追踪器）和面向可穿戴设备的心率血氧联合估计算法的算法设计（该算法主要模块包括了DFICAMS，MUSIC伪谱估计，组合式PPG信号成分分类器，基于决策树的心率谱峰追踪器），还给出了基于心音信号的心率追踪测量设备的算法设计（该算法主要模块包括了使用FASS进行子空间分划的MUSIC伪谱估计和启发式心率追踪器）。其中面向血氧仪的血氧测量算法进行了实际嵌入式系统代码实现。　　最后，本文分别给出以上三种算法设计方案的仿真模拟或志愿者实验结果。这些实验结果证实了本文提出的信号模型，测量模型以及一系列技术改进方案的有效性。其各自不同的适用领域和实际低功耗平台的算法成功实践也证明了该框架设计的有效性以及强大的可扩展性。