近年来随着社会的飞速发展以及生活质量的明显提升,人们对健康的重视程度也越来越高,尤其是在人口老龄化这一大趋势下,腕带式心率监测设备逐渐活跃在大众的视野中,目前针对这一类设备的研究已经成为电子智能化这一大方向的热门。心率作为人体的一项重要参数,能实时反映人体各项器官功能以及体内各循环系统的生理指标。对心率做到精准实时的监测,可以有效地对心血管类疾病做出预防,对人们的身体健康有着重要的意义。目前,市面上的腕带式心率监测设备普遍存在局限性,如使用不简易、功耗高、未能较好解决运动伪差而导致精度不高等问题。针对这些问题,本文研制了一套基于人体光电容积脉搏波（PPG）的人体心率监测系统,从硬件滤波、软件算法滤波、心率提取算法等方面进行优化,从而达到提高运动状态下测量精度、精准监控心率的目标,本文进行了以下工作:针对运动状态下PPG信号中运动伪差（MA）影响较严重进而导致采集到的信号难以有效提取心率值的情况,提出了一种基于归一化最小均方误差（NLMS）自适应滤波联合完全自适应噪声集合经验模态分解分析（CEEMDAN）的算法滤除PPG信号中的运动伪差。首先将预处理后的PPG信号进行NLMS自适应滤波以去除高频噪声和基线漂移,接下来通过CEEMDAN算法将信号分解成若干个本征模态函数（IMF）,然后通过计算每个模态的多尺度排列熵（MPE）来确定阈值,在阈值范围内选择合适的IMF分量对PPG信号进行重构以滤除其中的运动干扰和基线漂移等噪声,将心率值提取的精度大幅提高。对基于PPG信号的人体心率监测系统的研制,分别进行了硬件和软件部分的设计,搭建了基于PPG信号的硬件采集平台,并开发了移动端APP。其中,硬件设计部分主要包括主控芯片、蓝牙通信模块、PPG信号采集模块、I/V转换模块、信号滤波以及放大模块和三轴加速计传感器电路。软件设计主要包括PPG信号处理流程和心率提取算法的设计。对主控芯片STM32F103进行设计改进,完善睡眠模式和低功耗运行等模式的切换机制,有效降低了系统功耗,提高了待机时长。本地数据管理模块用于对采集到的PPG信号进行滤波,并在手机端APP上显示处理后的脉搏波和计算得出的心率值。最后,为了验证本文提出算法的准确性,采集了静坐、正常行走（摆臂）、慢跑和快跑四种状态下8名被测者的腕部的PPG信号,分别使用本文方法以及另外的两种算法对PPG信号进行滤波处理,以信噪比和均方误差作为评价指标。实验结果显示,本文算法的信噪比更高,均方误差更小。此外,通过处理后PPG信号计算了四种状态下的心率值,相比其他两种方法,本文提出方法的平均绝对误差（AAE）降低了0.6%～1.4%,真实心率和估算心率的皮尔逊相关系数（PCC）提高了0.3%,计算得到的心率值精确度更高,证明了本文研制的人体心率监测系统具有较高的心率测量准确率,满足实用性要求。