心率是一项极其重要的生理检查参数。在医学诊断、刑侦检测、基于人脸活体的反欺骗检测,以及物联网(IoT)、大数据和机器学习等方面有及其广泛的理论与应用空间价值。基于摄像头非接触式心率的检测一方面依赖于信号分离,尤其从采集到含有不完整信息的信号中分离出心率信号,实现心率的检测依赖于更为复杂的信号处理理论,从而推动理论的发展与完备;另一方面从图像中解析出可供计算机理解的信息,实现精确的面部、特定ROI区域的定位,以及分析与心率信号相关联的特征模式需要借助于模式识别与机器学习的理论技术;再者通过进一步的研究与改进,将更加有利于基于摄像头非接触式心率检测技术在实际场景中更为广泛的应用,提升该技术的实际价值。在实验室特殊的环境中,基于摄像头非接触式心率的检测方法已取得较为理想的测试结果,然而在实际应用中由于噪声干扰,待测区域的实时检测、识别与追踪,环境光线强度的变化,都会严重影响测量结果的准确性。本文在参考现有研究的基础上,针对噪声去除、低光照与变化的光照环境的信号提取分别提出了解决方案。本文分析了现有的非接触式心率信号提取方法对自然状态下鲁棒性不足的原因,并在此基础上提出一种基于低秩稀疏分解模型的提取方法。在去除阴影、噪声后得到较为理想的信号,进而评估心率值。为了检测该方法的测试效果,本文采集部分数据集,同时也使用了部分现有数据集作为实验测试数据。对于实验数据,通过使用统计学方法与更为科学的描述方案结果一致性分析的BlandAltman图,对实验效果进行评估,发现该模型现有模型中取得最佳的实验结果。本文还介绍了一种实现低光照度环境中非接触式心率信号提取的方法——LiPPG,该方法基于时域空间中的信号展开,可用于线性时变系统中,解决基于摄像头非接触式心率信号提取中在低光照度环境中以及光照强度可能的变动情况效果较差的情况。通过设置对比实验,使用基于LiPPG方法的心率检测与其他方法的信号检测相比较,实验结果显示出该方案在低光照环境中、光照变化的环境中更具优势。