高血压是危害我国公共健康的重大问题。我国城乡居民每年有近70万人死于心脑血管疾病,超过因病致死总人数的40%。在所有死亡病例中,有70%的脑卒中病例和50%的心肌梗死病例与高血压密切相关。鉴于高血压疾病的高患病率和后期致死率,我国对高血压患者采取了定期随访策略。由基层医疗卫生机构的随访医师为辖区内的高血压患者提供专业的降压指导,旨在提高高血压患者的生存质量。然而,人体血压水平受多方面因素的复杂影响,既可能由于外部环境因素的影响发生偶发性变化,也可能由于长期的药物治疗或生活方式干预发生根本性改变,并且,各影响因素反映在不同患者身上又有所差异。只依据随访医师个人的从医经验为患者制定降压计划,可能会有所疏漏,无法保证高血压患者的随访管理效果。针对这一问题,本文以山东省某市高血压患者的随访记录为基础,探究了降压治疗措施、外部环境等多方面因素对患者血压水平的综合作用,首次建立了能够定量输出在多方面因素影响下患者血压水平的高血压患者血压预测模型。该模型能够在随访医师为高血压患者制定个性化降压策略时提供有力的数据支撑。本文主要研究内容及获得的主要成果如下:(1)采集并处理了患者血压水平影响因素的相关数据。根据现有针对人体血压影响因素的调查统计报告和科学实验研究,从患者的基本特征、采取的降压方式以及受到的外部环境影响三个维度出发,总结归纳出性别、年龄、腰围、运动强度、用药类别等共计26项影响患者血压水平的相关因素。将采集到的高血压患者原始随访记录和天气原始记录进行处理,形成高血压患者特征数据集,确定了高血压患者血压预测模型的输入输出。(2)将支持向量机(SVM)、反向传播神经网络(BPNN)和深度置信网络(DBN)三种算法应用于高血压患者的血压预测建模。由于人体血压受多方面因素的复杂影响,简单的统计学方法难以表征诸多因素对患者血压的综合作用,故本文采用三种具有良好泛化能力的算法建立了高血压患者血压预测模型,并通过预测准确率、运算时长和内存占用率等指标进行模型间的横向对比,发现基于DBN的模型表现最优。(3)对基于DBN的高血压患者血压预测模型进行改进和优化。结合高血压患者特征数据集的特点,优化了DBN模型的内部单元结构和隐藏层结构确定方法,并采用自适应距估计算法(Adam)对模型中参数进行调优,实现了预测精度更高、可扩展性更强、收敛速度更快的高血压患者血压预测模型。