动脉血压（Blood Pressure,BP）不仅是常规体检中必测的重要指标,而且也是心外科手术、药物测试和重症监护等过程中重点监测的心血管系统状态参数。它可以及时反映心血管介入手术效果、药物降压疗效,为医护人员提供科学参考依据。无袖带连续预测BP的最常见方法是利用脉搏波传导时间（Pulse Transit Time,PTT）和BP之间的相关性。但利用PTT预测BP存在以下两个方面的限制:（1）由于噪声和其他生理系统的相互作用,光电容积脉搏波（Photoplethysmograph,PPG）和心电图（Electrocardiogram,ECG）信号的形态轮廓会发生变化,从ECG和PPG等信号中提取特征计算PTT非常困难;（2）PTT与BP相关性的因人而异,需要定期校准。已有研究表明,在医疗大数据的驱动下,深度学习应用在无创连续BP预测切实可行且前景光明。凭借深度学习优秀的特征提取能力,可以为便携式血压测量设备提供理论基础,实现无创血压高精度连续测量。本论文提出利用深度卷积神经网络实现端到端的无创血压连续测量的方法,使用多周期的PPG和ECG波形信号,无需特征工程,本论文的主要研究内容如下:1)研究ECG、PPG、BP信号的质量评估方法。输入特征和标签的精确对应是深度学习建模的前提,提出了基于信号峰度和R峰匹配的ECG信号质量评估方法,对于PPG和BP信号,将其转化为图片的方式进行质量评估。通过自建PPG信号质量图片数据集,利用二维卷积神经网络（Convolutional neural network,CNN）对其进行分类评估。实验表明,对信号进行质量评估能有效消除无效数据,同时保留了原样本的丰富性,为血压估计的精确建模奠定了基础。2)研究基于循环神经网络（Recurrent Neural Network,RNN）和一维卷积神经网络相结合的连续无创血压估计方法。针对传统机器学习的无创血压连续测量的方法需要人工提取脉搏波特征,受经验影响血压测量精度较差,需要定期校准等问题,本论文提出基于深度学习的BP连续测量方法,通过使用多周期的PPG和ECG信号来反映不同个体本身的固有特征,利用卷积神经网络对原始ECG和PPG信号进行细节特征提取,结合通道注意力机对提取的特征进行自适应权重分配,提高模型的预测精度。3)设计了不同超参数的对比实验得到表现最优的模型。最后将最佳模型在校准和不校准两种方法下的预测结果与其他研究进行对比,在校准前收缩压（Systolic Blood Pressure,SBP）预测精度为10.89±7.12mm Hg,舒张压（Diastolic Blood Pressure,DBP）预测精度为5.79±3.60mm Hg;在校准后SBP预测精度为4.70±3.45mm Hg,DBP预测精度为2.40±2.99mm Hg,证明了该无创血压连续测量方法具有较高精度。