急性低血压症（Acute Hypotension Episodes，AHE）作为重症监护(Intensive Care Unit，ICU)中一种高死亡率、高突发率的术后并发症，严重威胁着患者术后的生命安全。生理信号时间序列的监控、处理与预测技术已为疾病诊断与治疗方案的选取提供重要的辅助作用。面向AHE，可收集ICU中病患的血压数据构建典型的生理信号时间序列，通过对数据处理与预测，从而预测病患未来血压变化的规律,从而及早预防 AHE的发生。传统的生理信号时间序列分析方法有概率统计、小波分析、神经网络等，然而这些方法依然存在特征难学习、求解精度难以提高的难题。因此，面向高度非线性、混沌的急性低血压时间序列，研究新型的时间序列特征学习与高效预测方法已然成为临床医学研究的重点与难点。　　本文采用的AHE时间序列数据来源于PhysioNet，它提供了大量而真实的病患数据。首先利用滑动窗口对AHE时间序列进行处理，实现数据流切分。提出用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）方法对切分后的每一段数据进行分解，从而形成若干个固有模态函数（Intrinsic Mode Function，IMF）。然后提出用深度学习（Deep Learning，DL）方法对每一个IMF进行特征提取；最后根据特征集合，利用基因表达式编程（Gene Expression Programming，GEP）方法实现分类模型的构建。并通过构建多分类器，实现对AHE的集成预测。实验结果表明，本文提出的方法在急性低血压的诊断预测中具有较高的预测精度和很好的鲁棒性，为医学时间序列的研究与应用提供有价值的解决方案。