据调查研究显示,高血压已经成为全球死亡的主要因素之一,若不及时治疗,可能会导致心脏病和脑卒中的风险。因此为了预防高血压,需要定期测量血压。在临床中,测量血压的标准方法是水银血压计、无液血压计和示波装置的血压计,但这些测量方式带给测试者疼痛或麻木等不适感,且只能间歇式测量血压,即不可连续测量血压值。对于需要连续测量血压的患者,尤其是重症监护患者,开发一种能够实现连续性和非接触的血压检测设备至关重要。本文主要是以IPPG技术获取的脉搏波为研究主体,对获取的IPPG信号进行预处理以及搭建血压预测模型进行血压检测的工作,具体如下:（1）数据采集。将采集的志愿者面部视频数据保存至PC端,进行后续图像处理获取脉搏波信号。（2）预处理。1)对传输的视频数据获取其对应的视频帧序列和对应的帧速率,基于特征的AdaBoost人脸快速检测算法检测人脸部位,利用KLT角点跟踪（Kanade-L ucas-Tomasi,KLT）算法和尺度不变特征转换（Scale-invariant feature transform,SIFT）算法结合对人脸进行跟踪,使得人脸面部在不同的视频帧序列位置信息保持不变,即可在一定程度上减少了运动伪影对脉搏波信号的影响;2)选取感兴趣区域（region of interest,ROI）,通过分析比较不同ROI的信噪比,选择信噪比较高的ROI作为感兴趣区域,并提取感兴趣区域的原始IPPG信号;3)对获取的初始IPPG信号利用无限冲激响应数字滤波器（Infinite Impulse Response,IIR）和有限冲激响应滤波器（Finite Impulse Response,FIR）进行去噪效果对比,选取去噪效果较高的滤波器,其评价指标包括峰值信噪比（Peak Signal to Noise Ratio,PSNR）,均方误差（Mean-S quare Error,MSE）和归一化相关系数,选择信噪比高的IPPG信号;4)傅里叶变换将时域的IPPG信号转换到频域,利用峰值检测算法检测信号峰值,计算出心率值。（3）建立血压预测模型。利用去噪后的IPPG时域脉搏波信号训练不同方式优化的BP神经网络血压预测模型,通过不同的评价指标对基于不同方式优化的血压模型预测血压值的准确性进行评价,并且分析与研究了不同实验条件下IPPG技术的可行性。实验结果显示:本文使用的KLT和SIFT算法结合进行人脸追踪,有效的抑制了运动伪影对IPPG信号的影响,本研究提出的心率算法的平均误差为2.15bpm、均方误差为2.98bpm、平均错误率为2.9%。相较于其它心率检测算法,本研究提出算法误差率更低,性能更好,与医用欧姆龙电子血压计具有较好的一致性。现有的血压估计模型多是基于特征参数提取和利用脉冲传输时间预测血压,特征提取时需要精确定位IPPG信号的特征点,但由于IPPG信号易受外界的干扰而使脉搏波信号波形发生畸变,因此不适合利用特征点预测血压。本文基于完整的脉搏波信号预测血压值。预测结果为:舒张压（Systolic Blood Pressure,SBP）差值的平均值为3.16mmHg,差值的标准差为:5.07mmHg,平均百分比误差为3.56%;收缩压（Diastolic Blood Pressure,DSP）差值的平均值为3.57mmHg,差值的标准差为:5.31mmHg,平均百分比误差为3.81%。SBP和DBP均符合美国医疗器械促进协会（Association for the Advancement of Medical Instrumentation,AAMI）制定的差值的平均值小于 5mmHg、差值的标准差小于8mmHg的标准。