心率是评估人体健康状况的重要生理指标,对于心血管疾病的早期预警具有重要意义。当前临床的心率测量主要基于心电图（ECG）、血压袖带和脉搏血氧仪等接触式传感器或特定设备。然而此类方式存在成本高、操作复杂且容易造成与传感器接触的皮肤不适甚至过敏等问题。近年来,基于人脸视频的非接触式心率测量得到了广泛研究,该方法基于光电容积脉搏波描记法（PPG）,通过分析普通摄像头记录的人脸视频中面部肤色的微小变化,提取出包含心率信息的脉搏波信号,实现对心率的非接触式测量,具有操作简单、低成本及无创测量等优势。在基于人脸视频的非接触式心率测量中,视频中环境光照的变化、受试者头部的运动以及面部表情变化等,均会在脉搏波信号中引入不同程度的噪声,影响心率测量的准确性,为了提高基于人脸视频心率检测的准确性,本课题通过以下工作研究了基于人脸视频的非接触式心率检测:1)复杂环境下人脸检测算法性能的对比研究。对比研究了Viola-Jones和多任务级联卷积网络（MTCNN）等人脸检测算法在不同环境条件下检测人脸的准确性,选择了基于MTCNN的人脸检测算法用于人脸检测,以确保在复杂的现实环境下实现准确的人脸检测。2)合适的面部感兴趣区域的选择。基于人脸检测的结果,选取前额与整个面部皮肤作为面部感兴趣区域,分析在不同去噪方法下,提取心率的准确性。同时对比分析了四种不同的基于阈值的皮肤检测算法在人脸视频中提取面部皮肤的效果。选择了基于RGB-H的皮肤检测方法作为面部皮肤的提取方法。3)研究基于集合经验模态分解（EEMD）联合去噪算法的人脸视频心率估计方法。对比研究了人脸视频心率提取中四种常用的信号去噪方法,同时基于EEMD方法,结合独立成分分析（ICA）、CHROM方法,研究了ICA+EEMD、CHROM+EEMD等联合去噪方法,提高对信号的去噪性能。4)提出基于低秩矩阵和自相关的奇异谱分量重构的人脸视频心率估计方法。在预处理阶段引入EEMD,使用奇异谱分析分解经过预处理的信号,对于分解所得信号分量的重构,使用低秩稀疏矩阵分解和自相关函数作为筛选标准来去除信号中的不规则噪声,在UBFC-RPPG以及PURE两个人脸视频数据集进行测试,对比其它文献,本文提出的方法能有效提高人脸视频心率估计的准确性。