体温是衡量机体状况的一项重要指标,其准确性直接影响到疾病的诊断、治疗和护理。目前,医院对体温的测量主要采用水银体温计测量或者手持式电子体温计测量,但无法满足现代医疗对住院患者体温高精度、连续实时监测的需求。为此,本文设计了一种基于温度传感器阵列和深度学习的体温实时监测系统。为了实现对患者体温的无线实时监测,本课题主要针对无线监测系统中数据采集精度、数据采集的可靠性等问题进行了研究。为了提高体温数据采集的精度,设计了一种基于温度传感器阵列和数据拟合算法,传感器阵列对腋下进行多点测量、拟合算法进行精度补偿从而实现高精度测量,并在协调器中使用该算法验证了算法提高精度的实际效果。为了确保采用穿戴式进行体温测量的准确性,有效识别采集过程中的外界干扰,通过对比卡尔曼滤波算法、基于支持向量机的改进型卡尔曼滤波算法以及人工神经网络算法滤波效果,本文提出并采用将支持向量机分类算法应用于体温传感器的抗干扰滤波。该算法将大量连续历史体温数据裁剪为具有四个特征值的样本,技术人员和医务人员可根据体温测量系统干扰信号的特点标注标签,按照一定比例将样本分为训练集和测试集,支持向量机分类算法利用训练集进行模型训练,根据测试集验证模型分类准确率。调节模型训练参数,通过仿真验证了该算法在体温监测系统中对干扰信号的识别精度满足系统设计要求。基于本课题所设计硬件平台和PC客户端软件,实现了多节点体温的高精度连续实时测量、体温数据实时显示与存储。通过对节点当前所处网络状态判断自动执行Reset操作,实现了在路由子网间自动切换,保证数据的连续传输。测试结果表明本系统在35℃-39℃温度范围内,测量精度可以达到±0.1℃;对干扰信号的识别准确率为98.75%。