智慧教育需要在非接触条件下感知精神压力过大的学生,过大的精神压力对人体危害极大,需要及时干预。非接触式光电容积脉搏波描记法（Remote Photo-plethysmography,rPPG）是通过摄像机来获取心动周期造成的肉眼看不见的周期性细微皮肤颜色变化从而提取脉搏波的技术,具有无感、快速和成本低等优点,本文的研究目的是基于rPPG技术使用面部视频进行精神压力识别。首先,建立了rPPG样本集。针对目前基于rPPG的带有压力与非压力标签的公开数据集几乎空白,本文科学地进行设计和实施实验,创建了一套带有无压缩视频、压力与非压力标签的BVP信号和精准心电信号（Electrocardiography,ECG）数据集。对得到的视频利用Adaboost算法跟踪人脸选取ROI,提取面部血液容积脉搏（Blood Volume Pulse,BVP）,包括独立成分分析血液容积脉搏（Independent Component Analysis Blood Volume Pulse,ICABVP）和绿色血液容积脉搏（Green Blood Volume Pulse,G-BVP）。然后,提出了去趋势、归一化、带通巴特沃斯滤波、三次样条插值、滑动窗口多种数据处理方式组合使用的方法。在BVP信号进行PP间期提取前,使用多种数据处理方式组合使用的方法处理,处理前后输出信号图进行对比,处理后的图更适合提取PP间期。接着,提取了72个脉搏变异性特征。基于PP间期进行脉搏变异性（Pulse Rate Variability,PRV）特征提取,包括时域、频域和非线性特征提取,将脉搏变异性特征和与之对应的ECG信号的心率变异性（Heart Rate Variability,HRV）特征进行误差对比。结果显示,PRV和HRV的非线性特征误差可达1%以内,时域特征误差可达6%以内,证明本文通过rPPG获得PRV的方法的科学性和准确性。最后,提出使用四分位距（Inter Quartile Range,IQR）方法移除PRV特征离群值,使用顺序前进法（sequential forward selection,SFS）和顺序后退法（sequential backward selection,SBS）进行特征优选,根据PRV特征利用支持向量机、K近邻和决策树训练精神压力识别模型,并借助WESAD的带有压力与非压力标签的ECG信号分类结果进一步对比验证。结果显示,WESAD数据集的ECG信号得到的最佳二分类准确率高达96.62%,比官方论文88%的最佳二分类准确率高约8.5%,说明本文使用的特征提取、IQR方法、特征优选和机器学习模型的适用性和优越性。G-BVP表现稍逊其最佳二分类准确率89.02%,而基于rPPG由自建数据集提取的ICA-BVP最佳二分类准确率高达98.13%比WESAD数据集的ECG最佳表现更优。证明本文基于rPPG技术使用面部视频进行精神压力识别的可行性,本文提出的多种数据处理方法组合使用的合理性、算法迁移的普适性。本文所做工作,为基于rPPG的生理指标测量数据集做出了积极贡献,为BVP信号提取PRV提供了可实施方案,为基于rPPG技术使用面部视频进行精神压力识别提供了有力参考。