由于心血管疾病对人类健康的重大威胁,用于诊断心血管疾病的可穿戴监测设备越来越受到人们的重视。考虑到光电容积脉搏波(Photoplethysmography,PPG)信号包含着大量的生理信息,利用PPG信号测量血压有助于可穿戴监测设备的实现。然而,目前关于血压测量模型的研究因为需要寻找特征点、提取人工特征进行建模,所以模型大都存在模型泛化力度不强,鲁棒性不高的情况。围绕以上问题,本论文实现了一套基于深度学习的血压测量模型。该模型可以直接从PPG信号中自动提取波形特征,并且测量人体收缩压和舒张压。为了满足深度学习神经网络对训练集数据质量和数据量的要求,本论文在以下几方面对数据做以改进。首先,为了丰富血压及PPG数据的效果、添加当前开源数据库中缺乏的个人体征信息,本论文利用美国BIOPAC公司的连跳血压测量设备NIBP100D及光电容积脉搏波传感器PPG100C设计采集实验。其次,在数据处理过程中,增加对每个脉搏周期PPG信号的质量评定的过程以保证数据质量。然后,对数据归一化方法、数据增强方法做了尝试与改进。本论文利用以上数据处理方式分别处理了自采集的BiCASL1.0数据集和MIMIC II数据集。然后,将BiCASL1.0数据集划分为训练集、测试集和验证集,利用训练集和验证集建立包含上下文连接层的深度循环神经网络血压测量模型,利用BiCASL1.0的测试集和MIMIC II数据集验证模型精度。本论文所采用的模型在BiCASL1.0测试集上达到的精度为:收缩压4.87±7.80 mmHg,舒张压4.60±6.09 mmHg,在选择的MIMICII数据集上也取得了收缩压5.01±6.73 mmHg,舒张压4.69±4.65mmHg。与传统机器学习方法不同,该模型在不进行复杂特征工程,直接输入原始数据的情况下,依然达到了较精确的血压计算结果。本论文模型的实现对日后直接利用原始光电容积脉搏波推测血压具有启发性的参考意义。同时,因为自动提取特征时不需要特征点的检测,所以本文对解决由于硬件差异、特征点检测不准而导致模型精度下降问题也有一定意义。