生命体征是反映人体健康状况的重要指标。通过对心率、呼吸率等生命体征的实时监测不仅可以反映人们的生理状况,还能对心血管疾病、睡眠呼吸暂停综合征等疾病进行诊疗和预防。因此,在日常生活中实现心率、呼吸率等生命体征的实时监测对人体健康监护和疾病防治有着十分重要的意义。目前,常见的生命体征监测设备操作复杂,且需要长期与受试者的皮肤接触,导致受试者感到不适与不便,无法满足日常监护的需求。随着计算机视觉技术的发展,使用摄像机实现非接触式的生命体征监测具有很大的发展潜力。摄像机能通过监测人体血液容量变化而导致的皮肤表面的周期性颜色变化来提取心率。此外,摄像机还能通过监测呼吸导致的胸部或腹部运动来提取呼吸率。然而,目前基于摄像机的心率监测方法需要手动选取特征、人脸检测与追踪、感兴趣区域选择、信号分解等复杂步骤,不利于心率监测的准确性且对光照强度变化与头部运动的鲁棒性差。同时,在基于胸部运动视频的呼吸监测研究中,现有的算法仅各自在不同且有限的实验环境下进行验证,导致难以对这些算法的效果进行统一的比较和总结,不利于在实际生活中进行应用。基于上述原因,本文展开了基于视频分析的心率和呼吸率监测的方法研究,本文的主要研究成果如下:（1）采用卷积神经网络（CNN）对人脸视频进行分析,实现了非接触式的心率监测。进一步,设计一系列的实验分别对CNN监测心率的原理、训练标签和皮肤特征对CNN监测心率的影响、CNN对运动的鲁棒性进行了心率监测卷积神经网络的原理性和局限性研究,为基于卷积神经网络的心率监测方法提供了实验证据。并在此基础上,提出了一种将卷积神经网络与基于远程光电容积描记法（rPPG）的先验知识相结合的心率监测方法,改进了对不同头部运动的鲁棒性。（2）研究了基于胸部运动视频的呼吸监测方法中像素强度变化和像素位移信息对胸部运动信息提取的影响,以及均值法、零相位成分分析法（ZCA）、二维卷积神经网络（2D-CNN）与三维卷积神经网络（3D-CNN）对呼吸信号提取的影响。此外为进行此研究,建立了一个平均年龄为24±3的6人次的胸部运动视频和呼吸信号数据集。共招募了4名女性,2名男性进行数据采集。根据实际应用场景存在的光照、受试者姿势、摄像机拍摄距离等干扰因素,设计了六大类不同的实验环境,采用摄像机分别对每位受试者进行12分钟的数据采集和标记。基于该数据集的实验结果表明像素移位信息能够更准确的反映胸部运动信息,ZCA在信号提取上的效果最好。