高血压是世界范围内最紧迫的公共疾病挑战之一,它被认为是造成全球疾病预防负担的最大因素,同时它也是导致心血管疾病的主要因素。持续和定期的血压监测对于心血管疾病的早期诊断和预防至关重要。一般情况下,我们人体的血压会随着时间的推移而产生波动,并受到几个因素的影响,如压力、情绪、食物、锻炼和药物的使用,持续的血压监测,而不仅仅是在特定的时间点的血压监测,对于高血压的早期检测和治疗是十分必要的。血压时间序列具有周期性,非平稳性的特点,单一预测模型很难对其进行准确的预测。基于此,本文针对特征融合与血压信号分解结合深度学习方法进行短期血压预测的相关研究。本文首先提出了一种融合注意力机制（Attention）的双向长短期记忆网络（Bi LSTM）-卷积神经网络（CNN）短期血压预测模型。该模型通过小波变换降噪,将原始ABPMean血压序列转换成平滑的时间序列,分析其与其它影响因素的相关性,筛选出相关性较大的特征作为Bi LSTM模型的输入特征,进而生成新的数据序列,将新的数据序列送到注意力机制中加强时间特征,然后通过卷积神经网络提取空间特征。最后,数据将被发送到最后一个隐藏层,产生最终的预测值。其次提出了一种基于改进集合经验模态分解（EEMD）的At-Bi LSTM-CNN组合预测模型。模型通过改进的EEMD将血压数据分解为几个固有本征模态函数（IMF）子序列,然后利用Bi LSTM和CNN分别提取时间特征和空间特征,这些特征经过训练后通过特定的融合模块进行融合,将融合特征输入模型进行预测,得到每个时间序列的预测结果。最后,将所有IMF分量子序列的预测结果进行叠加组合得到预测结果。为验证本文提出模型的预测效果,选取MIMICⅡ生理信号数据集进行实验,采用均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和拟合得分R~2对实验结果进行评价。实验结果表明,本文所提出的模型在各项评价指标下都优于其他方法,本文提出模型的预测值误差最小,预测准确度最高,能够更准确的预测血压变化趋势,为预防血压突然升高提供有效的防治措施。