生命体征检测根据检测方法分为接触式和非接触式。接触式检测需要将设备与人体进行直接接触,对使用环境和适用人群有所限制,且会对使用者的生活质量造成影响。而非接触式检测可以实现隔空甚至隔物检测,具有穿透性较强,探测距离较远,受障碍物影响较小等优点,因而在自然灾害救援、医疗监测等领域越来越受到关注和欢迎。生命体征状态变化指的是被测者的呼吸率和心率发生变化,如突发心脑血管疾病导致心率迅速增加。为了及时检测到心率或呼吸率的变化（激增或骤降）,本文使用多普勒雷达和Transformer网络进行非接触式生命体征状态识别。本文所做主要工作如下:本文首先详细介绍了非接触式生命体征检测的现状,重点介绍多普勒雷达及其探测原理。根据其原理,使用频率分别为心率和呼吸率的两个正弦信号对心脏、胸腔的缩张进行建模,多普勒雷达接收的人体反射波受到上述两个叠加正弦信号的调制。本文提出了一种基于压缩感知理论的数据重建算法,以恢复雷达采样信号中的异常点、提高数据的可用性。该算法先使用孤立森林算法对采集数据的异常点进行检测并记录其位置信息,将去除异常点后的数据看作随机亚采样的低维信号,然后根据采样信号的时域平滑性和异常点的位置设计稀疏正交基和观测矩阵,这样就可以通过求解1l范数优化问题来重建缺失数据。对于多普勒雷达采集的不同状态的生命体征信号,针对以往的神经网络学习方法大多数忽略了时序数据不同时刻间依赖性的问题,本文提出了一种使用Transformer网络识别其状态的方法,使用二维卷积将数据分块并通过加入卡方偏置的多头注意力机制并行计算提取其特征,最后使用谱估计中的MUSIC（MUltiple SIgnal Classification）算法估计出数据的心率和呼吸率。为了验证所提出方法的有效性,本文使用MATLAB和PEM11002多普勒雷达进行了大量的仿真实验和实测实验,并比较了不同数据长度及信噪比对识别准确率的影响。该方法在实验中表现良好,成功识别出多普勒雷达收集的生命体征数据的状态,并找出每组的心率和呼吸率。实验结果表明,本文方法有较好的实时性和准确性。