心率检测既有助于了解健康状况,对疾病进行预警或监测,又有助于检测情绪状态,为人机交互等提供技术支撑。与ECG等可穿戴设备相比,光电容积脉搏波（Photoplethysmography,PPG）由于穿戴更为便捷因而得到广泛利用。然而,PPG信号容易受到运动伪影等噪声的影响,为其精准检测带来了一定的挑战。具体来说,运动伪影是由可穿戴设备与皮肤之间的位移引起的,人体在运动状态下（如:行走、起立、坐下、上下楼梯等）佩戴可穿戴设备时,PPG信号就会受到运动伪影影响。含噪声的PPG信号其心率检测的误差会显著提高,而且,不同的运动状态会产生不同的运动伪影,如何去除运动伪影进而准确估计心率仍亟待破题。针对不同运动状态下心率的精准估计问题,本论文提出一种基于位置编码的心率估计方法。该方法利用三组不同功能的卷积神经网络,在位置编码的基础上进行心率估计,其中两组卷积用于特征提取,一组卷积用于特征融合。其主要工作内容如下:1)利用PPG和加速度信号的频域特征去除运动伪影。由于运动伪影的产生与运动状态有密切关系,而加速度信号能准确检测运动状态,因此将加速度作为参考信号去除运动伪影。具体来说,对PPG和加速度信号做FFT得到二者频域信息,保留0.5-4 Hz频率范围的信息,在执行预处理操作后利用第一个卷积神经网络进行拟合,去除运动伪影。2)利用位置编码进一步提高心率检测准确率。由于卷积神经网络对绝对位置的编码能力有限,仅利用PPG和加速度信号的频域特征做心率估计仍存在一定误差,因此,本研究通过对频域特征进行位置编码来解决这一问题。具体来说,首先,将PPG的频谱按位置顺序进行编号,并对编号做标准化处理。其次,将标准化后的数据和PPG频谱拼接,得到包含位置编码特征的二维矩阵后,利用第二个卷积神经网络进行特征提取。最后,拼接前两个神经网络所提取的特征,利用第三个神经网络进行特征融合,并在此基础上进行心率估计。为了验证性能,本研究所提出的心率估计方法在公开和自建的数据集上分别进行测试。两种数据集都是在多种运动状态下采集的。实验结果表明,与NAS-PPG算法相比,（1）在公开数据集上,本研究的心率估计方法的mae（平均绝对误差,mean square error）降低了 0.90,性能提高了 14.95%;（2）在自己采集的数据集上,其mae降低了 0.35,性能提高了 7.02%。