如今,随着人类生活水平的提高,越来越多由能量代谢失衡引起的慢性疾病,包括肥胖症、糖尿病、高脂血症、心血管疾病,已成为全世界关注的焦点。越来越多的人意识到运动对健康的重要性,并保持定期的体育运动以保持健康。积极的健康管理包括对膳食能量摄入和体力活动能量消耗的科学控制,为慢性病的预防和康复提供了有效途径。由于人体是一个复杂的时变、非线性系统,体育活动中的能量消耗会受到许多因素的影响,包括运动强度、个体生理和心理状态、环境因素和人体测量特征,这使得实时准确的能量消耗计算成为一项具有挑战性的研究。然而,适当的运动有益健康,而过度运动可能导致身体损伤,过度运动被定义为一个相对术语,这意味着对特定个体而言,基于健康状况和遗传学等多种因素一轮或几轮运动可能是过度的。身体疲劳是运动中常见的生理现象,是运动强度的直接反映。准确检测和评估身体疲劳水平可以有效预防过度运动,进一步减少过度运动造成的身体伤害。然而,身体疲劳作为个体的一种主观感受,很难被客观评价。由于上述问题的存在,本文设计实验采集了人体跑步运动过程中的心电信号和惯性传感器信号,利用深度学习和机器学习相关方法分别提出了能量消耗精准计算回归模型和身体疲劳状态分级模型。具体地,本论文主要完成了以下两个工作:（1）提出了一种深度多分支两阶段回归网络模型来有效地融合运动信息、生理信息和人体测量特征,显著提高了能量消耗计算的准确性。提出的深度多分支两阶段回归网络由两个主要模块组成:多分支卷积神经网络模块,从心电信号和惯性传感器信号中提取多尺度上下文特征;两阶段回归模块,将提取的包含生理和运动信息以及人体测量特征用于计算能量消耗。实验结果表明,与前期相关工作相比,所提出的方法更准确,平均均方根误差降低了22.8%。该模型创新性地采用心电信号作为输入,并通过设计良好的网络结构,提高了能量消耗水平的计算精度;同时,实验结果也验证了在能量消耗计算中心电信号比心率更有效。该研究为使用深度学习方法计算能量消耗提供了范例。（2）提出了一种基于心率变异性的身体疲劳分类方法。首先,从心电信号中计算出24个心率变异性特征;然后,提出并实现了一种特征选择方法,选出了最佳的11个特征。最后,使用选定的特征训练四种机器学习算法,对三种疲劳水平（不疲劳、轻度疲劳、重度疲劳）进行分类。实验结果表明,使用选定的11个特征训练的模型能够以较高的准确率对3个级别的身体疲劳进行分类,准确率最高为85.46%。此外,还验证了本文提出的特征选择方法对提高身体疲劳分类性能具有重要意义,这些选出的特征可以提供有关身体疲劳识别的重要信息。