血压（Blood Pressure,BP）是指血液在血管内流动时,作用于单位面积血管壁的侧压力,是推动血液在血管内流动地动力。随着人民物质生活条件日益提高,随之而来的不健康生活习惯导致高血压人群数量激增。目前,血压防控已经成为我国的国家战略,无创连续血压监测对于血压异常的诊断和管理具有重大意义,进而对突发性的心血管疾病起到提前预防和及时干预的作用。现行袖带式血压监测方法需要袖带加压,为间歇性测量方式,无法满足长期连续的血压测量需求。随着人工智能的发展,机器学习方法证明了它们在各个领域的可行性和潜力。有研究证明,脉搏波与血压之间存在相关性,这意味着仅使用单路的光电容积脉搏波（Photoplethysmography,PPG）信号即可预测血压,同时心电图（Electrocardiogram,ECG）作为心脏活动的记录,也包含了一定的血压相关特征。因此使用机器学习方法,通过PPG和ECG信号实现无创无袖带连续血压的高精度预测具有一定可行性,且能克服传统血压检测方法的不足。然而目前无创血压监测方法则大多在预测精度上有待提高。本文针对使用PPG和ECG信号预测血压精度不足的问题,研究实现多种血压预测方法,并进行对比。本文主要工作和成果如下:（1）基于人工特征的血压预测方法实验。通过X3PLUS-HTO2智能手表采集数据研究PPG信号处理方法;通过麻省理工学院公开的重症监护II期多参数智能监测（MIMIC-II）数据库中PPG、ECG和动脉血压（Arterial Blood Pressure,ABP）数据进行实验,并实现了相关形态学特征和时间尺度特征的人工提取;通过建立线性模型和多种非线性模型对基于人工特征的机器学习血压预测方法进行研究。其中非线性模型性能均高于线性模型,且各种模型基本满足美国医疗器械会（Advancement Of Medical Instrumentation,AAMI）和英国高血压协会（British Hypertension Society,BHS）标准。（2）基于深度学习的血压预测方法实验。针对人工提取特征可能出现的信息丢失等问题,实现了基于深度学习的特征提取方法并进行血压预测。对比研究了采用CNN、VGG19和LSTM的血压预测模型。实验结果表明VGG19预测性能高于CNN,远高于LSTM。且基于深度学习的血压预测模型性能普遍比基于人工特征的非线性模型更高。针对收缩压（Systolic Blood Pressure,SBP）预测精度普遍比舒张压（Diastolic Blood Pressure,DBP）更低的问题,通过增加卷积神经网络的隐藏层,提高了收缩压的预测精度,证明了收缩压与PPG信号的映射关系更加高维和抽象。（3）基于深度学习的多模态多阶段血压预测方法实验。考虑到卷积神经网络和LSTM网络各自的优势,研究了多阶段血压预测方法,通过分阶段的方式进行实验,使每个神经网络充分发挥自己的优势,并通过裁剪方法对训练集进行增强,使训练集更好地描述了时域可能的关系。同时考虑到收缩压和舒张压的动态相关性,缩小了收缩压和舒张压之间的预测精度差距,进一步提高了血压预测性能。最后加入ECG信号特征,构建多模态多阶段血压预测模型,最终实验结果表明,该方法进一步提升了血压预测精度。本文通过对比基于人工特征的血压预测方法、基于深度学习的血压预测方法和基于深度学习的多模态多阶段血压预测方法,探索了适合于无创无袖带连续血压预测的相关方法,实现了血压的高精度预测,最终收缩压和舒张压的平均绝对误差下降到3.3922mmhg和2.1551mmhg,结果不光满足AAMI标准同时达到了BHS的A级标准。