心理压力在现代社会越来越普遍,而且对人们的生活和心理健康的影响越来越大,需要及时地发现和调整。因此,压力检测具有重要的研究意义。传统的基于生理信号的压力检测方法依赖于设备对生理信号的采集,应用场景受限。近年来随着生活中越来越多的无接触摄像机的部署和数据收集分析技术的进步,基于图像的压力检测方法得以发展,但应用部署时仍然存在以下几个问题:人工提取面部特征和使用较浅层的机器学习算法无法充分提取压力相关的特征;大多数压力检测算法的图像预处理步骤较为复杂,不利于硬件的部署。因此针对这些关键问题,基于图像序列,本文对压力检测算法进行研究。本文的主要研究工作如下:（1）提出一种基于卷积神经网络的压力检测算法。由于单图像作为输入,无法有效提取与压力有关的动作特征。同时,图像的R通道与心率特征相关。因此,针对压力有关特征提取的问题,本文将输入设置为R通道图像序列,并且以局部二值卷积为基础构建特征提取模块,更有效地提取压力相关的特征。此外,本文使用自注意力机制,来加强对自身特征变化的关注。由于目前没有研究压力与人脸关系的公开压力数据集,所以实验室建立了多范式多模态压力数据集,包括六种范式,图像、语音和心率三种模态。在此自建数据集上的结果表明,该算法有良好的效果。（2）针对硬件部署问题,提出了一种更加轻型、更有利于部署的学生网络。学生算法网络将空间特征和时序特征的特征提取分离,以卷积神经网络为基础构建空间特征提取模块,以门控循环单元为基础构建时序特征提取模块。此外,为了更好地进行知识蒸馏,本文提出使用KL散度损失函数作为软标签的损失函数。在自建数据集的结果表明,学生网络经过知识蒸馏可以达到老师网络的效果,证明学生网络在压力检测方面的有效性,和所提知识蒸馏方法的有效性。最后,该算法网络在硬件平台上成功部署,并得到了良好的压力检测效果。