随着社会的发展，人们的生活水平逐渐提高。熬夜、无节制饮食等不良习惯,使高血压的发病率逐年上升。在人口老龄化和代谢危险因素的双重压力下，由高血压导致的心血管疾病已经成为我国的主要负担。为降低心血管疾病的患病率，高血压的监测和预防变得十分重要，连续血压监测已成为近年来研究的焦点。利用脉搏波特征参数法可以实现连续血压监测，契合了当前血压测量的需求。该血压测量方法是基于光电容积脉搏波描记法(photoplethysmographic,PPG)实现的,常用于手表、手环等穿戴设备中，适应了不同场景的血压测量需求，且具有操作简单、适用人群广的优势，有效提高了高血压的知晓率。然而血压是复杂多样的,根据昼夜变化规律不同，可将血压节律分为杓型、非杓型、超杓型以及反杓型，且血压的节律性还会受季节的影响，这些特性往往导致训练出的模型测量精度不足。本文针对这一类问题，提出了三种与时间相关的特性参数对模型的测量精度进行优化，并融合分类算法搭建了血压估计模型，探究了分类算法对血压测量精度的影响。本文主要内容包括以下几个方面:　　(1)从PPG原始信号及其二阶导数信号中成功提取了135个PPG时域特征以及399个衍生特征。具体地，首先使用巴特沃斯滤波器完成PPG信号的预处理,定位波峰、波谷点，提取PPG信号中的有效波段，采用分区间的方式定位出上升沿最大斜率点、重搏波点以及二阶导信号的4个极值点，从而基于提取的特征点计算出所需的时域特征和衍生特征。　　(2)基于本文选择的PPG特征建立了符合医疗仪器促进协会(AssociationfortheAdvancementofMedicalInstrumentation,AAMI)标准的血压估计模型。基于过滤法选择的PPG特征建立梯度提升决策树和随机森林血压估计模型，并进行有效性验证，进而使用递归特征消除法(RecursiveFeatureElimination,RFE)、遗传算法(GeneticAlgorithm,GA)以及嵌入法对特征再次进行筛选。结果表明，基于RFE选择的特征建立的模型可以获得较高的精度，并且测量结果能够符合AAMI标准，测量的收缩压(SystolicBloodPressure,SBP)平均误差和标准差可达到-0.114mmHg和7.950mmHg,测量的舒张压(DiastolicBloodPressure,DBP)平均误差和标准差可达到0.032mmHg和4.937mmHg。　　(3)提出了3种与时间相关的特性参数优化模型的测量精度，建立了符合AAMI标准和英国高血压协会(BritishHypertensionSociety,BHS)标准的血压估计模型。基于RFE选择的PPG特征，逐步融合测量时间(月份、小时)、历史PPG特征以及历史血压数据建立血压估计模型。结果表明，将血压测量时间作为特征可以有效提高DBP测量精度，测量的DBP平均绝对误差和标准差最高下降了9.01％和7.75％。在时间特征的基础上，融合历史PPG特征以及历史血压数据后，模型对SBP和DBP的测量精度均得到显著提升，测量的SBP和DBP的平均绝对误差最高下降了11.66％和8.90％,标准差最高下降了10.90％和10.23％。超参数经贝叶斯优化(bayesianoptimization,BO)后，SBP测量结果达到BHS的B级标准，DBP测量结果达到BHS的A级标准。　　(4)搭建了融合分类算法的血压估计模型，探究分类算法对血压测量精度的影响。基于过滤法选择的特征建立了支持向量机(SupportVectorMachine,SVM)和极端梯度提升(eXtremeGradientBoosting,XGboost)分类模型，使用RFE和GA对特征进行选择，使用贝叶斯优化算法进一步提升模型分类性能，最终BO-GA-XGboost模型对高血压数据的查全率达到82.75％以上，对其他血压数据的查全率达到90.31％以上，准确率达到89.91％以上。搭建融合BO-GA-XGboost分类算法的血压估计模型，并与融合理想分类算法的测量结果进行对比。结果表明，融合分类算法可以提高模型的测量精度，但由于BO-GA-XGboost模型的准确率和查全率与理想分类模型仍有一段差距，虽然SBP测量结果中绝对误差不超过5mmHg的占比增加，但测量的平均绝对误差和标准差出现了上升的情况。　　本文从特征层面和算法层面探究了提高模型测量精度的方法，为今后实现精准的连续血压监测提供了理论基础。