近年来,随着人们对健康意识的不断增强以及传感器技术的不断发展,无创无感监测心肺功能的研究和应用得到了极大的发展。心冲击图（Ballistocardiography,BCG）是一种非侵入非接触式检测呼吸系统及心血管系统的方法。本文将BCG多传感器采集设备嵌入在床垫中,研究如何从中获取呼吸及心血管系统的相关生理信息。当前,大部分关于BCG的研究采用单通道的传感器系统。若传感器没有完全覆盖受试者身体,则可造成数据质量下降或缺失等情况。本文采用多通道传感器系统采集BCG信号,提高了心率周期和心动周期检测的准确率和覆盖率。另外,在基于BCG的呼吸暂停检测领域中,其他研究通常将信号分割成独立的窗口并将其转换为分类任务,只能检测出该窗口内是否存在呼吸暂停现象。而本文引入语义分割模型,更细粒度地检测呼吸暂停,可获取呼吸暂停的发生时间点和频率,这些信息更具有临床诊断意义。本文的研究工作与贡献主要集中在以下几点:（1）提出了基于倒谱的多通道BCG心率周期检测算法。该算法利用倒谱的特性能够快速得到信号窗口内的心率周期估计值,并基于频谱能量分布特征挑选信道,同时在频域内融合多通道信息。在短期实验和长期实验中,平均绝对误差分别为40ms与42.28ms。由于该算法流程简单且计算复杂度较低,可实现对心率周期的快速估计,因此在实际应用中具有较高的实用性。（2）提出了基于卡尔曼滤波器的多通道BCG心动周期检测算法,该算法依赖于BCG信号中的J波识别并使用卡尔曼滤波器进行多传感器数据融合。实验结果表明,该算法具有较好的J波识别效果及较低的心动周期检测误差。在短期实验和长期实验中,平均绝对误差分别为30.75ms与32.84ms。与基于倒谱的心率周期检测方法相比,该方法可得到更细粒度的检测结果,并可应用于临床中的心率变异性分析。（3）提出了基于卷积神经网络的呼吸暂停检测算法,设计了“UBreath”呼吸暂停检测模型。相比于前人的研究成果,“U-Breath”模型中添加了语义分割网络,可对呼吸暂停分类模型检测出的阳性样本进一步分割以识别呼吸暂停发生的大致区域。其中,分割网络的平均Dice系数可达到0.808。通过该模型可从BCG信号片段内获得呼吸暂停发生的次数及持续时间,所得到的检测结果更具有临床应用价值。本文解决了在BCG多传感器系统中的心率周期检测和心动周期检测问题,并取得了较好的实验结果。而在呼吸暂停检测领域,本文提供了更细粒度的检测思路与方法。