现阶段我国的老龄化进程加剧,人口老龄化会带来诸多的健康问题。因此,针对有健康问题的老年人群体,除了定期的诊疗外,对他们的生理参数进行实时监控有助于跟踪和掌握其身体状况,对疾病后期的康复以及治疗过程提供依据。传统的监护设备存在体积大、线路多、功能单一以及监护费用高等缺点。此外,传统的监护设备通常存在于医院等集中治疗的场所,无法实现老年人群体在家监护等需要长期监护的场所。随着传感器技术、微型化集成技术以及无线传输技术的发展,小型化、低成本的无线健康监护系统相继被应用到老年人、慢性病患者等群体的日常监护,成为新型的监护模式。近几年来,随着人工智能的快速发展,深度学习的相关技术被应用到无线健康监护领域,逐渐演化出无线监护加智能诊疗的模式。本文提出一套基于深度学习的可穿戴式无线健康监护系统,该系统主要包括三个模块:集成式手环终端、无线传感网络以及服务器和监护中心。其中,集成式手环终端集成了血压、血氧饱和度、心率以及温度等测量模块,用于对应生理参数的测量。无线传感网络负责生理参数数据在网络内的无线传输、中转、路由等功能。服务器接收无线传感网络发送的数据,经过预处理之后存储到数据库,并经过监护中心实时显示。当生理参数出现异常时,方便医护人员及时了解监护对象的生理状况。本文研究了一种基于CNN的精神压力识别算法,用于评估监护对象当前的精神压力状态。使用监护对象的生理参数和运动参数,利用CNN的特征自动提取优势实现高精度的识别。本文使用公开的生理参数数据集对该算法的性能进行评估,实验结果验证了其可行性,对比实验表明,相对于传统的模式识别算法,CNN具有更好的识别性能。本文还研究了一种基于LSTM的多生理参数时间序列预测算法,该算法能够根据先前一段时间的时序数据预测未来一段时间内的观测值,与无线健康监护系统结合,可实现监护对象的生理状态预测。该算法在公开的生理参数数据集上表现良好,无论监护对象处于何种状态都能够实现较高的预测精度,验证了该算法的有效性。本文对提出的可穿戴式无线健康监护系统的多生理参数测量精度进行了实验测试,并使用该系统测量得到生理参数对提出的识别和预测算法进行实验验证,实验结果进一步验证了两种算法的有效性。