随着我国人口老龄化形式日益严峻,糖尿病已经成为危害老年人身体健康的重要因素。而传统的血糖检测方式存在给患者带来生理创伤和不能获取连续的血糖变化问题,不利于高血糖和低血糖的预防和治疗,因此利用人工智能和大数据融合技术进行血糖预测已成为国内外学者研究热点问题之一。本文首先研究了基于密度聚类和特征工程的血糖数据处理方法,其次为了提高血糖预测的准确率,设计了基于多头注意力机制的TCN-Bi LSTM多变量数据驱动模型,形成了基于多头注意力机制的TCN-Bi LSTM血糖短时预测方法。最后,基于上述的研究成果开发了基于可穿戴设备和服务机器人的糖尿病患者健康信息监测系统。主要研究内容如下:1)为了发现数据中存在的异常值,通过改进DBSCAN算法使其根据数据特征自主选择邻域参数,提出了自适应DBSCAN聚类的血糖异常值检测算法。为了填补数据中存在的缺失值,构建了基于特征工程血糖缺失值填补算法,最终形成了基于密度聚类和特征工程的血糖数据预处理方法。比较实验结果表明,相较于DBSCAN算法,在A区域和B区域异常簇内距离方差分别降低了1.8×10-3和1.6×10-3。缺失值填补算法更加接近于真实值,其RMSE平均下降了23.78,MAPE平均下降了7.58%。2)为了洞查数据细节信息、获取序列数据的全局特征和时序特征,提出了基于多头注意力机制的TCN-Bi LSTM短时血糖预测方法（PBGTBM）。PBGTBM的第一层采用前文提出的预处理方法实现;第二层为TCN网络层,用于抽取输入的时间序列特征;第三层为多头注意力机制层,实现数据之间的强度关联;第四层为Bi LSTM层,获取序列数据的全局特征,进一步学习时间序列的前后顺序信息。与5种算法的比较结果表明:在30min的血糖预测时,PBGTBM算法预测值与真实值的均值RMSE分别下降了2.96,4.51,2.9,6.18和1.3均值MARD分别下降了1.04%,1.82%,1.5%,2.84%和0.62%;在60min的血糖预测中也表现较好,此外,在高低血糖预警准确率方面也优于血糖预警表现最佳的MHA-Bi LSTM算法。3)将算法模型部署在家庭服务机器人平台,在给出系统架构设计、工作流程梳理、以及数据库设计的基础上,用Python语mg/dl言集成实现了基于可穿戴传感器和家庭服务机器人的个人健康信息监测系统。