随着我国人口的激增,脱贫攻坚战的攻克,小康社会的迈入,人群中心脑血管疾病的发病率也快速增长,检测和监控心血管功能的需求更加多样化。心输出量（Cardiac Output,CO）、每搏输出量（Stroke Volume,SV）、心脏指数、每搏指数、总外周阻力和血压等血流动力学参数对描述人体心血管功能具有重要的临床意义。心输出量是指单侧心室每分钟的射血量,是表征心血管系统健康状态的重要参数,是心脏功能及心血管疾病的重要诊断依据,其测量的准确性对高危心血管疾病患者的治疗至关重要。目前,心输出量检测设备多为昂贵的专业且进口的医疗器械,不具备便携性,测量精度不高,费用昂贵,亦不方便全天监测,不便于心输出量的早期筛查,通过提取脉搏波波形的时域、频域特征,并且将两者组合起来构建特征向量,实现基于深度学习的无创心输出量测量。这种低成本、易操作的日常化检测方法对心血管疾病防治具有重要意义。本文主要工作及创新点如下:（1）获取麻省理工医学院MIMICII数据库中患者的年龄、性别、心输出量及其对应的脉搏波波形等数据,并且将波形分成三类;检测分出来较好波形信号的峰值,在峰值左右按峰值幅度的一定比例获得相应时间点,并且提取这些时间点对应的上升或下降信号的压力,即为收缩压（Systolic Blood Pressure,SBP）、平均压（Mean Blood Pressure,MBP）和舒张压（Diastolic Blood Pressure,DBP）,收缩压和舒张压的差值为对应的脉压（Pulse Pressure,PP）等与脉搏波波形相关的特征点。（2）利用检测的脉搏波波形的关键特征点分别计算时域内的血压特征、时间特征、面积特征和比例特征等,然后通过傅里叶变换,提取频谱特征,主要包括多倍频的谐波幅值,最后,将所有时域和频域特征进行组合,构建特征向量,进行归一化处理,与权重矩阵相乘并加上偏移量,最后,利用人工神经网络（Artificial Neural Network,ANN）计算心输出量和相关心血管系统参数,该模型预测的真实值与预测值之间的相关系数为0.96（训练集上）,真实值与预测值之间的相关系数为0.88762（验证集上）,真实值与预测值之间的绝对误差的均值为0.9963ml,方差为0.4908ml,相对误差的均值为0.1653ml,相对误差的方差为0.1553ml。（3）建立了端到端的深度学习模型,使用一维卷积神经网络（Convolutional Neural Network,CNN）自动提取脉搏波波形的特征,解决由于病人的差异性造成的手工提取的波形特征鲁棒性不强的问题,并且使用长短时记忆网络（Long Short-Term Memory,LSTM）进行序列到目标值的回归,最终求得CO的相关系数为0.7,但是该模型在验证集上和测试集上表现较差,出现了严重的过拟合,后我们使用了仿真数据集,增加了样本量后发现该模型在训练集、验证集和测试集的表现力都很好。（4）人工神经网络回归后得到的心排血量与数据库中真实测得的心排血量,使用Bland-Altman分析法探究本方法与数据库中真实测得的心排血量的一致性,误差在1ml以内,满足临床上现在的需求。