高血压是引起心血管疾病的重要因素,而在很长时间内对血压的测量都依赖于传统诊室的间歇式测量方式,为了实现高血压的准确监测和管理,针对传统血压测量方式和无创连续血压测量技术目前存在的问题,本文借助脉搏波传导时间(Pulse Transit Time,PTT)和脉搏波波形特征,基于支持向量回归(Support Vector Regression,SVR)方法构建收缩压、舒张压估计模型,并在模型构建过程中,引入平均影响值法(Mean Impact Value,MIV)讨论特征对于模型的影响程度并进行特征筛选,引入遗传算法(Genetic Algorithm,GA)实施参数寻优。结果显示,本文提出模型与传统方法相比精度更高,能够有效拟合特征与血压之间的非线性关系,其估计误差符合AAMI及BHS相关标准的要求,有助于推动无创连续血压估计模型方法的实际应用。本文的主要研究工作及成果有:(1)设计了实验室血压实验来采集健康年轻人的血压数据,分为静态试验和动态实验,并从MIMIC III波形数据库中提取了包括ECG、PPG和ABP在内的波形数据作为补充。(2)设计了基于小波阈值降噪法的ECG信号降噪算法,以及基于小波阈值降噪法与三次样条插值法相结合的PPG信号降噪算法。引入了双正交二次B样条小波对ECG信号的R波进行识别,并引入了滑窗法、微分法和曲率法对PPG信号的特征进行识别,取得了良好的效果。(3)提出了一种基于GA-MIV-SVR的血压估计模型方法,对收集整理后的特征进行归一化后,使用MIV法探究特征对模型的影响并去掉影响值较小的特征,并在模型训练过程中引入GA优化来进行参数寻优,有效地避免了模型出现过学习或欠学习的情况。(4)通过交叉验证和测试样本验证了模型的有效性和预测能力,并使用Bland-Altman法对预测值和实际值的一致性进行了分析,同时与使用多元线性回归和单纯基于PTT使用SVR法构建的模型进行比较,结果发现本文所提出的模型具有更高的精度和更强的预测能力,在日常的无创连续血压测量中具有一定的可行性。