随着经济的快速发展,人们的饮食结构发生了很大的改变,高糖分、高热量食物的过量摄入使得在全球范围内糖尿病的发病率越来越高且发病人群越来越年轻化。血糖检测作为糖尿病预防和治疗的关键环节,有着非常重要的意义,但是目前的血糖检测技术存在有创伤、易感染、时间长、成本高等缺点,不利于患者日常管理和调节自身血糖。因此,本文提出了一种利用心电图（ECG）和光电容积脉搏波（PPG）进行无创血糖检测的算法,并结合糖尿病患者的切实需求设计了一款无创血糖管理APP。本文具体包括以下几个方面:首先,使用MAX86150评估套件采集ECG和PPG信号,由于采集环境、采集设备、人体状态等干扰,信号中存在高频噪声和基线漂移噪声。为此,本文提出了一种改进中值滤波算法用于去除信号中的高频噪声。对于信号中的基线漂移噪声,本文对比了小波变换和经验模态分解（EMD）两种算法的去噪效果。结果表明,两种算法都有较好的滤波效果,但EMD的滤波效果整体上比小波变换差且会造成ECG信号中部分特征的丢失。因此本文采用小波变换法去除信号中的基线漂移噪声。其次,为了识别ECG信号R波峰值点和PPG信号上升支上升点从而得到脉搏波传导时间（PWTT）,本文提出了微分阈值法进行特征点识别。同时,从两种信号中提取了Kaiser-Teager特征、心率特征、光谱熵特征和光谱能量对数特征,再结合身高、体重等人体信息和室温、检测时间共同作为机器学习输入,使用XGBoost、Light GBM和BP神经网络三种机器学习算法对人体血糖进行预测。本论文的血糖参考值通过有创血糖仪检测得到,样本人数为10人,样本总数为1680条,持续两周在饭前饭后和运动前后进行数据采集。最终实验结果表明,在单人模型中,三种算法在克拉克误差网络A区比例都高于83%,其中Light GBM的准确率最高,克拉克误差网络A区比例达89%。多人模型的准确率低于单人模型,其中XGBoost表现最好,克拉克误差网络A区比例达75%。最后,基于单人模型的血糖检测算法,本文设计了一款无创血糖管理APP,患者可随时通过手机进行血糖检测、历史血糖值查看和数据上传,前两者便于患者日常监测和调节自身血糖水平,后者将数据上传服务器便于专业医护人员及时发现异常并给出专业的医疗建议。