新时代的快节奏、职场的剧烈竞争、生活压力的逐渐增大、休息时间越来越短,这一切频频引发人体精神疲劳现象。精神疲劳不仅导致个人工作效率降低,而且可能造成安全事故,甚至诱发各种慢性病、精神抑郁、甚至癌症。更危险的是,人们往往忽视自身的疲劳状态。传统的基于生物电信号（脑电、眼电、心电、肌电等）的医疗检测设备,可以帮助人们认识、预测、干预潜在的精神疲劳状态,然而,这些设备的采集装置复杂、体积庞大、不利于推广应用。为了研究开发实时有效的便携式精神疲劳检测设备,本文探究出一种基于光电容积脉搏波（PPG）信号的疲劳检测新方法,其中主要完成的工作如下:首先搭建了基于STM32F103的PPG采集装置,内包含SFH7050光电传感器和AFE4404模拟前端组成的脉搏波采集端,以高校学生为测试对象,采集了受试者一天三个不同时间段的不同疲劳状态下的脉搏波数据;以这些数据为原始大数据进行数据预处理及疲劳状态预分析。预处理证明,以单一脉搏波进行特征检测得到的评估值精度较低。为克服这一问题,本文接着采用多特征融合方法进行人体精神疲劳检测。采用时频法从预处理后的脉搏波信号的时域和频域中提取到多维脉搏波特征。为降低多维特征处理带来的维度灾难,提出一种基于蝙蝠算法改进的随机森林算法（BA-RFC）进行特征选择与疲劳检测。通过优化选择决策树数L、分裂特征参数m等参数,筛选具有较高疲劳等级表征能力的脉搏波特征。利用筛选后的特征进行疲劳识别,既优化了参数,又降低了维度灾难,提高了疲劳检测精度,把识别准确率提高到96.67%。为了验证BA-RFC算法的准确性,本文分别与其它三种（支持向量机、BP神经网络、KNN近邻）分类算法进行了对比实验。实验结果显示,在四种对比方案中,本文提出的BA-RFC算法疲劳检测的精度最高。最后,本文以智能手机为平台开发了手机APP,结合PPG信号硬件采集装置,设计出一套可实用化、便携化的人体精神疲劳检测系统。系统中利用本地数据管理模块分析处理采集到的PPG信号数据,进行了疲劳检测。并在手机APP上实时显示通过预处理后的脉搏波信号以及疲劳检测结果。