在人体健康的各种生理指标中,心率占有重要地位,它能直接反映人体的健康状况。因此,监测人体心率显得尤为必要,其中非接触式心率检测己成为研究热点之一。目前主要采用单一红外摄像头或单一光学摄像头,根据皮肤温度或颜色的细微变化提取心率。但因红外图像和光学图像的成像原理,其准确度及适用范围仍有待提高。红外摄像头在监测心率时,对光照的变化有更强的适应性,但是图像分辨率较低,测量图像会产生畸变现象;光学摄像头测量心率时,对光照要求较高,容易在光照不充足时丢失图像细节,最终影响心率测量的结果。针对以上问题,根据红外摄像头和光学摄像头测量的人体心率数据,本文提出基于数据融合的多特征心率测量方法。具体内容如下:（1）基于最小二乘数据融合的心率测量方法。利用最小二乘建立多元线性回归模型,通过多次独立观测,收集样本观测值,对回归系数进行估计,利用残差平方和评价数据融合效果。将该方法与使用单个红外摄像头或单个光学摄像头的非接触式心率测量结果作比较,准确率分别提高了2.24%和2.17%。（2）基于支持向量回归数据融合的心率测量方法。利用支持向量机的类似原理进行回归操作,根据测量得到的训练样本确定参数值,寻找决策函数,该方法对误差有一定的容忍性,只有误差超出所设定偏差范围,才计算对应的损失。将该方法与使用单个红外摄像头或单个光学摄像头的非接触式心率测量结果作比较,准确率分别提高了1.99%和2.45%。（3）基于神经网络数据融合的心率测量方法。使用机器学习的第三方库Pytorch建立神经网络,将数据集按比例分成训练集和测试集,根据权重和偏置自动计算损失梯度,并且朝全局最小值方向调整权重和偏置。将该方法与使用单个红外摄像头或单个光学摄像头的非接触式心率测量结果作比较,准确率分别提高了3.52%和2.93%。实验表明,利用机器学习第三方库Pytorch构建的回归预测模型,其测量心率的准确度最高。另外,本文提出的数据融合心率测量方法,在夜晚或光照条件不佳时提取较准确的心率成为可能,拓宽了使用范围。