随着我国运动员数量持续增加,运动过量而引发的运动损伤事件逐年增多,其主要原因在于运动者无法正确评估自身的运动负荷,因此越来越多的运动员使用运动负荷评估设备对自身进行运动指导。然而,传统运动负荷评估忽略了环境信息、运动类型（有氧/无氧运动）对其性能的影响,输出的运动负荷分级粒度粗。针对上述问题,本文将环境信息（温度、相对湿度）和运动类型引入到运动负荷评估模型中,以行业标准的感知劳累评级（Rating of Perceived Exertion,RPE）作为分级基础,实现了一套基于心电信号的运动负荷评估系统。主要研究内容如下:1、提出了一种基于经验模态分解法、灰色相关度、香农熵包络的R峰检测算法。传统R峰识别算法对运动心电信号的R峰识别准确率较低,针对此问题,本文利用灰色关联度去除影响R峰识别的信号分量,准确识别运动心电信号中的R峰位置。本文在权威心电数据集上进行了此算法与传统算法的对比实验,结果表明,相较于传统算法,此算法对静息心电信号的R峰识别性能相当,对运动心电信号的R峰识别性能更优。2、提出了一种考虑环境信息的运动负荷评估模型。为了将环境信息引入到运动负荷评估模型中,本文利用多元回归方法构建了考虑环境信息的RPE和心率差值之间的关系模型,首次探索了不同温度、相对湿度对心率差值与RPE之间关系的影响,并设置对比实验验证了环境信息对于运动负荷评估的重要性。在此基础上,本文基于随机森林算法构建了以环境信息、心电特征为输入的运动负荷评估模型,在利用运动实验构建的环境数据集上对比传统算法,具有更高的识别准确率,证明此模型具有更好的运动负荷识别能力。3、提出了一种具有运动类型识别能力的运动负荷评估模型。考虑到运动类型对运动负荷评估的重要性,同时为了实现自动识别运动类型的功能,本文构建了基于LSTM神经网络的无氧阈识别模型,在利用运动实验构建的运动类型数据集上达到了89.80%的识别准确率。进一步的,本文将无氧阈识别模型与本文的运动负荷评估模型相融合,在环境数据集上达到87.46%的运动负荷识别准确率,且每种运动负荷的识别准确率均大于80%,进一步提升了运动负荷评估模型的识别性能和稳定性。综上,相较于现有的运动负荷评估手段,本文利用环境和运动类型使得运动负荷评估系统具有更强的运动负荷识别能力,对未来的研究具有一定的参考价值。