现代医院都有一个重症监护室机构（Intensive Care Unit，ICU），主要是为急性的、危及生命的危重病人提供医疗照顾。抢救徘徊在生死边缘的重症病人，在重症监护室里时间是宝贵的，医生需要在短时间内选择正确的治疗方案，时间的延误就会危及到病人的生命。所以在重症监护室关于病人的任何情况都要很注意，尤其是相关的并发症。急性低血压是危害病人健康的并发症之一，并且发生率及高。急性低血压的发生会导致一些不可恢复的严重后果，甚至会危及病人生命。对急性低血压的发生提早的预测，能够帮助医生对重症病人找到更好的医疗处理方案，及时挽救病人的生命。我们将运用数据挖掘的方法来处理血压（MAP）数据，探究其中的规则，帮助医生决策治疗病人的方案。　　数据挖掘技术是一门综合学科，包含统计学、机器学习、模式识别等等。现在正处于大数据时代，我们需要对这些数据进行更深层次的挖掘，了解数据背后的关系及意义。那么我们就需要数据挖掘这个工具来解决现在面临的数据相关的问题。本文主要运用数据挖掘中对时间序列的数据的处理，还有获取趋势分量的方法，以及对数据分类预测方面的知识。　　我们提出了一个基于趋势分量的Gaussian函数拟合预测模型，即用小波多尺度分析提取出信号的趋势分量，再根据Gaussian回归模型对趋势分量进行函数拟合，得到的函数参数作为特征值，用支持向量机（SVM）对数据分类。小波多尺度分析可以将信号映射到不同尺度上，在不同尺度上观察信号的细节了解信号的特征，这里我们主要分析的是信号的趋势分量。且小波多尺度分析还有去噪声的作用。Gaussian回归模型使用的是数据驱动，用参数来描述数据之间的关系。通过在较大病人数据集上实验得到了较好的效果。运用SVM算法对数据进行分类预测，SVM具有很好的泛化性，对噪声数据的敏感度不高，是因为它对Margin Width的确定过程是寻找支持向量，使它对噪声数据不敏感。