随着人们生活方式和饮食习惯的改变,糖尿病的产生与流行形势出现了新的变化,全球糖尿病患者的数量和比例都在不断上升。糖尿病对身体健康潜在的威胁和人们对身体健康的逐步重视,使得传统的有创血糖检测方式已经不能够满足人们的需求,人们急需一种简单,快捷的无创血糖检测方法。在这样的需求下,本文设计了一种基于光电容积脉搏波（PPG）信号的无创血糖检测系统。首先,通过透射式的光电采集设备采集透射指尖后的红光与红外光PPG信号。对采集到的PPG信号线进行滤波处理,本文采用中值滤波去除PPG信号中存在的噪声干扰,针对中值滤波存在的会导致波形趋于平滑的问题,本文提出了一种改进的中值滤波。在中值滤波的基础上,根据窗口设计一个自适应的阈值,通过阈值判断是否需要用中值代替原信号值。改进后的中值滤波不仅可以很好的去除噪声干扰,而且可以保留PPG信号波形的完整性。本文提出了三次样条插值法解决PPG信号中的基线漂移问题,取得了较好的效果。通过微分阈值法提取预处理后PPG信号的波峰和波谷,进而计算了综合特征参数R,通过最小二乘法建立综合特征参数R与血糖值之间的拟合公式,通过拟合公式可以计算出初步血糖值。其次,由于人体的差异性,导致计算出的初步血糖值具有较大的误差,简单的拟合公式难以满足血糖检测要求。在此基础上,本文提取了影响血糖检测的人体生理参数,包括心率、年龄、身高、体重和BMI。将上述人体生理参数结合计算得到的初步血糖构成后续血糖检测模型的输入参数。本文提出了基于粒子群算法优化的径向基神经网络（Particle Swarm Optimization-Radial Basis Function,PSO-RBF）的无创血糖检测模型,通过减聚类算法和K-means聚类算法设置RBF神经网络的隐藏层神经元节点数和基函数中心,通过PSO算法优化RBF神经网络隐藏层到输出层的权重,优化了网络模型,并提高了预测能力。通过实验分析,相较于多元线性回归模型,偏最小二乘回归模型以及传统RBF神经网络模型,本文提出的PSO-RBF神经网络模型具有更好的血糖检测能力,其平均绝对误差为0.56mmol/L,相对误差为10%,满足国家的相关标准。通过Bland-Altman分析法发现,PSO-RBF神经网络模型得到的血糖值与血糖标准值具有很好的一致性。最后,在基于PSO-RBF神经网络的无创血糖检测模型基础上,本文提出了网络化的无创血糖检测系统。该系统硬件部分包括PPG信号采集模块和网络通讯模块。软件部分包括数据传输,无创血糖算法和可视化界面设计。该系统可以让测试者通过智能终端简单,快捷的查看个人血糖值。最后通过与有创血糖仪的实验对比,验证了该系统的实际可行性。