随着经济基础的不断提高,自身的健康问题逐渐成为许多人关心的要点。与此同时由于智能穿戴设备市场的快速发展,采用智能穿戴设备,例如智能手表进行健康管理也逐渐成为一大研究要点。在众多的健康相关的指标以及活动中,心率与饮水是较为重要的两项指标。心率能够反映出人体的许多健康状态,而充足的饮水是维持健康状态的关键。为了获取这两项数据,最佳的解决方案是采用基于智能手表的心率监测和饮水量估计的方法,即通过日常佩戴智能手表,用户就可以实时地监测自身的心率数据以及自动地记录饮水量,其优点在于便携性以及使用的无感性。然而,在智能手表平台上实现心率监测和饮水量估计充满了挑战,前者会受到噪声的干扰而使得系统变得不可靠,后者则是模型难以建立。为了实现以上的系统并解决提到的问题,本文的主要研究方向安排为基于智能手表的心率监测以及饮水量估计。本文的主要工作内容包括:（1）提出了一种基于腕带式光电容积脉搏波信号的心率计算方法,采用了深度学习和信号处理结合的方法,对智能手表采集的光电容积脉搏波信号进行预处理、去噪、心率追踪计算,最终得到连续记录的心率值。其中基于深度学习网络和集成学习的去噪模块使得带噪的光电容积脉搏波信号可以实现去噪处理,基于频谱分析的心率追踪算法使得计算结果更加稳定。最后,通过实验数据的测试以及和已有的方法对比,证明了该方法的各个模块的可用性以及相对已有的方法有着更高的精确度。（2）提出了一种基于腕带式运动传感器的饮水量估计方法,目的是从基于智能手表传感器的饮水区间信号中估算出对应的饮水量。该方法采用了一种基于特征的信号自动分割算法,并建立了回归神经网络模型对信号进行建模。最终通过采集实验数据以及复现实验对比,证明了该方法在精确度上有着一定的提升。