糖尿病作为当下最常见的慢性病之一,发展到后期会引起身体多器官并发症,严重时可危及生命安全。目前,临床上尚无根治糖尿病的方法,预测血糖趋势可帮助需要控制血糖水平的人群及时对当前血糖状态做出应对措施。考虑到血糖的变化与既往血糖水平、饮食摄入糖分等特征息息相关,此类特征数据有助于为控糖人群提供更准确的个性化血糖趋势预测结果。本文从此类特征数据展开研究,提出了三种血糖趋势预测模型,主要工作如下:（1）采集人体的动态血糖、心率、饮食相关特征数据（包括:升糖指数（Glycemic Index,GI）、升糖负荷GL（Glycemic Load,GL）和碳水化合物（Carbohydrate,C）含量）。为了便于模型构建,对特征数据进行了适当的数据清洗,并根据数据特点将其转换成时间序列。（2）针对饮食摄入GL与动态血糖监测设备（Continuous Glucose Monitoring,CGM）监测所得的饮食前后血糖变化数据,提出了一种基于小波分解与高斯曲面拟合的血糖趋势预测方法。使用小波分解法对原始CGM数据进行分解重构以平滑曲线,截取饮食前后1.5 h CGM数据对不同GL数据下的血糖波动进行高斯曲面拟合。该方法仅用饮食摄入GL便可得出饮食前后血糖波动情况,在健康人血糖峰值预测上表现出了较为良好的预测结果。（3）针对时间序列数据具有长期依赖特性,且采集的各特征数据间具有相关性的问题,提出了一种基于双向长短记忆网络（Bidirectional Long Short Term Memory Network,Bi-LSTM）与注意力机制的血糖趋势预测模型。该方法结合卷积神经网络、Bi-LSTM、注意力机制来挖掘各特征数据间的联系,实现了多时间步长的血糖趋势预测。对比融合实验中实现的其它模型结构,该模型有效的提高了血糖趋势预测的准确度。（4）针对部分特征数据在收集过程中容易产生误差而致使预测效果变差的问题,本研究结合小波分解与门控循环网络（Gated Recurrent Unit,GRU）,提出了一种仅使用CGM时间序列数据便可预测未来血糖趋势的预测模型。对比多种时间序列预测常用方法,该模型在预测多时间步长血糖趋势时表现出最优预测性能。本文对提出的三种血糖趋势预测方法均进行了实验验证与对照分析。结果表明:针对于不同特征数据需求,本文所提出的方法均能相对准确的对血糖趋势进行预测,有助于在血糖水平精细化管理中发挥更大作用。