血压的连续测量可以及时发现人体的血压异常情况,用以早期发现、预防和治疗心血管疾病,进而避免严重并发症的发生。在无创连续血压测量方法中,基于脉搏波分析的测量法仅需要采集一路脉搏波信号,通过分析脉搏波特征参数和血压的关联,建立模型实现血压估计,测量简单,具有明显优势。现存的基于脉搏波分析的测量法大多需要人工提取特征,由于个体差异大、特征点难以识别,适用范围有限。深度神经网络可以自动提取特征,挖掘数据中的潜在信息,其强大的表征能力有望实现对更广泛人群血压的精准估计。但已有的深度学习方法大多使用较浅的简单网络以及特征比较单一,难以达到理想的血压测量精度。针对上述问题,本文用阵列传感器采集脉搏波提高采集信号的质量,以及研究基于注意力机制的时频域联合建模的血压估计方法,分别针对MIMIC III数据库和自建数据集建立了血压估计模型,主要内容包括以下几方面:（1）本文的自建数据集由阵列传感器采集的多通道脉搏波阵列信号构成,并采用通道融合进行信号增强。由于光的反射方向是不固定的,单通道采集信号会损失部分有效信号成分,通过阵列传感器采集多通道信号并进行通道融合可以充分利用有效信号成分。另外,提出使用排列熵和自相关进行信号筛选,比人工筛选的方法更加高效。（2）在模型部分,提出了基于注意力机制和时频双域联合建模的方法。先采用卷积网络提取脉搏波时域特征,再采用全连接网络和自注意力模块提取脉搏波频域特征,然后对深度神经网络自提取的脉搏波时频特征采用交叉注意力机制联合建模。交叉注意力机制可以自动激活特征中的有效信息,提高模型预测的准确率。本文从MIMIC III公共数据库随机选取2526名患者的脉搏波和血压建立模型,模型对收缩压和舒张压的平均绝对误差分别为1.0181 mm Hg和0.5187 mm Hg,误差符合AAMI标准。在自建数据集（包括36名志愿者的脉搏波和对应的血压）上建立的血压预测模型对收缩压和舒张压的平均绝对误差则分别为1.2473 mm Hg和0.6039 mm Hg。（3）基于上述方法,搭建了血压预测系统,仅采集脉搏波即可实时输出动态血压。