血压病已经成为人类健康的主要威胁因素之一,准确持续地测量血压是实施血压疾病有效防治的前提。传统的基于袖带的血压测量依赖于专业的医护人员的操作,并且在测量过程中会对人体造成伤害,因此不适合于持续的血压测量。使用机器学习算法对人体生理数据建模分析,预测血压值是一个可行的持续测量血压的方式,但是传统的血压预测算法存在准确率低,训练时间长的缺点。本文提出两种方法来解决上述问题,主要内容如下:首先,本文介绍了血压测量方法研究现状和一些基于机器学习的血压预测方法,血压测量方法包括侵入式测量和非侵入式测量,血压预测方法包括聚类、分类和回归等,并分析了上述方法的优缺点和应用背景。其次,通过EIMO设备的传感器获取原始生理属性数据如PPG,ECG等,采用峰值检测的方法,从原始的生理属性数据中提取出与血压预测最相关特征如脉搏波传导时间,心率和血氧等。使用梯度提升树算法对特征属性数据建模,预测单人血压值。再次,通过CM400设备的传感器,采用类似的方法获得上述特征,并加入了身高体重等人体属性特征,通过分类回归树算法预测多人血压值。并通过加入剪枝、限制树的深度等正则化方法和交叉验证方法,提升梯度提升树和分类回归树的泛化能力,降低了过拟合的风险。最后,本文对上述提出的方法做了编程实现,以真实的血压数据和人体生理属性数据为基础的实例验证了本文研究方法的有效性。梯度提升树方法在准确率(±5)方面比目前传统的最小二乘法,岭回归,Lasso回归,ElasticNet,支持向量回归和最近邻算法更好,预测低压值的准确率超过了70%,预测高压值的准确率超过了64%。分类回归树算法的预测时间小于0.1s,并且预测的高压值和低压值准确率超过了90%,并且模型训练时间少于0.5s,有较高的时效性。本文也对研究方法提出了新的方向。