血压（Blood Pressure,BP）是人体的重要生理指标特征,能够判断身体的心血管功能和心脏状况,许多的疾病都与血压密切相关。因此,准确测定血压的具体数值对心血管类疾病的诊断和治疗有着重要意义。目前,临床上使用的主要是有创直接测量法,该方法精确率较高,但对人体的创伤性大且适用于特殊的人群。只有无创性的血压检测法才能适用于日常的生活中。另外,基于脉搏信号进行血压测量的研究已经成为了一大热点。本文则主要是采用了深度学习的方法基于光电容积脉搏波对血压进行测量,并通过对基础模型进行一定的改进从而提高血压测量值的准确率。本文的主要研究工作及结论有:1、提出了基于长期递归卷积神经网络的无创血压测量方法。首先,将处理后的数据输入到CNN神经网络和LSTM神经网络中进行实验操作,根据输出的结果来看,这两者的数据值相差不大,所以尝试将两个模型融合起来形成一个新模型—长期递归卷积网络。利用该网络进行实验,发现新模型的实验效果优于CNN网络和LSTM网络,与这两个网络相比,所提方法的MSE误差分别下降39.97%和37.71%,MAE误差分别下降14.06%和17.29%,R方值分别提高了0.31%和0.29%。2、提出了基于注意力机制的BiLSTM网络无创血压测量方法。首先将BiLSTM网络和传统的LSTM作为实验模型,根据输出的评价指标系数进行比对,发现BiLSTM网络对血压测量的效果更好。由于注意力机制有着可以根据特征的重要性来自行分配权重系数的特性,所以将其引入到测量效果较好的BiLSTM网络中去进行实验,根据结果发现引入注意力机制模型相较于原始的BiLSTM模型,其MSE值和MAE值都得到了大幅度的降低,分别降低了18.29%和21.27%,R方值提高了0.17%。3、提出了基于CNN-BiLSTM网络及注意力机制的无创血压测量方法。该方法结合了前两种模型对原始结构进行改进的优势,合理利用CNN网络对高维特征学习的优势、BiLSTM网络可以双向提取特征的特性以及注意力机制可以根据关键性来分配权重的特点,将这三者组合成一个新的模型结构。实验结果表明,该模型在训练过程中的收敛速度快,对于血压的测量更加的精准,再将其与长期递归卷积网络和注意力机制-BiLSTM网络进行对比,发现该方法的测量精度得到了提升,其均方误差分别下降了21.63%和18.27%,平均绝对误差分别降低了67.5%和61.59%,确定性相关系数分别提高了0.42%和0.41%。