当今社会,由于工作压力大、生活作息不规律等因素导致心血管疾病患者数量居高不下。如果能够对心血管相关参数加以研究,并分析得到它们之间的关系,就可以实现对心血管疾病的监控,起到预防且降低发病率的作用。血压是人体的一项重要生理参数,可以反应人体的心血管功能状况。而脉搏波信号包含很多人体生理病理信息,通过脉搏波特征参数测血压简单、成本低、精确度高、能够连续测量等优势,有广阔的发展前景。本文基于血压测量的理论基础,建立了两种血压连续测量模型。一种是按照传统做法通过回归分析构建血压模型;另一种以深度学习TensorFlow为框架,借助BP神经网络训练血压和特征参数的关系,构建神经网络的血压模型。实验结果证明,通过两种模型计算的血压误差都在3mmHg标准值之内,而第二种模型误差在2mmHg之内。符合国际标准值。本文的主要工作如下:首先,采用光电心率脉搏计(指尖式)完成了脉搏波信号的采集,用小波变换法和五点三次法完成信号的滤波;在特征点的提取上,提出一种混合算法用于识别特征点,即阈值差分法、小波变换法和微分法相结合的方法,结果表明,此算法能够准确得提取出特征点。其次,建立了基于线性回归的血压测量模型,即通过提取脉搏波的时域特征参数,分析血压与特征参数的相关性,利用逐步回归分析的方法得到血压模型,通过估算血压值,与标准血压相比,误差在3mm Hg以内。最后,提出一种以深度学习TensorFlow为框架,建立血压的BP神经网络模型,即以脉搏波特征参数作为BP神经网络的输入量,通过训练数据得到血压模型。通过TensorFlow中dropout对所构建的神经网络瘦身,去除一定量的特征参数,能够消除过拟合现象,减小误差,从而建立最优模型。为了清楚表达本文所构建的血压模型,运用可视化工具TensorBoard来呈现最终所构建的血压神经网络模型。通过估算血压,与标准血压相比,误差在2mm Hg以内,比传统做法更加精确。