近代临床医学之父、英国著名内科医师Thomas Sydenham说过：“一个人的动脉有多老，他就有多老。”近年来，心脑血管疾病越来越成为威胁着人们身体、生命健康的疾病之一，做好心血管的预防工作至关重要，人们对血管健康的评估的需求日益高涨。未来的展望是：有效而普及的健康知识宣传、准确的检测结果和统计分析、危险因素的发现与评估、高效的干预危险因素，其中对心血管健康的检测分析与评估尤为关键。　　本文研究了机器学习方法在光电容积脉搏波（photoplethysmography，PPG）中的应用，分析寻找有助判断血管年龄的指标，提出了一种评测血管年龄的方法。具体设计了一套基于容积脉搏波的无创连续测量系统，将采集的脉搏波信号作为源数据，通过收集志愿者的生理病理信息，并实时采集血压与指尖PPG数据，形成样本数据集，对其进行处理、分析，自行定义并从中提取能表征脉搏波特性的71个特征参数，利用特征选择Relief算法和特征降维主成分分析法简化包含年龄参数在内的72个特征参数的特征全集，得到了由20个与血管疾病状态最相关的特征参数组成的最优特征子集R和最优特征子集P，并分析了它们对血管年龄的影响。最后，在特征全集、最优特征子集R和最优特征子集P的基础上，建立了血管疾病诊断模型和血管年龄评测模型，血管疾病诊断kNN模型和SVM模型对血管疾病预测的正确率达到66.67%和83.33%，比较血管年龄评测k-means模型和Q型层次聚类模型的方差分析和树形图，k-means模型聚类结果更均匀，更接近样本数据血管年龄的分布情况。结果表明，特征选择和特征降维方法能够成功保留最能表征脉搏波波形特性、与血管健康或疾病状态最相关的特征参数，最终的，血管疾病诊断模型确定由最优特征子集R与SVM分类模型组成，血管年龄评测模型由最优特征子集P和k-means聚类模型组成。对血管年龄评测机理做出了深入研究，建立的血管疾病诊断模型和血管年龄评测系统，易行有效地评测被测试者的血管疾病情况和其血管年龄，研究成果为血管健康的评估提供了新的思路以及有效的方法。