血压是心脏收缩时将血液泵入血管所加诸在单位面积血管壁的压力,以毫米汞柱（mm Hg）为单位,是重要的生命体征之一。血压能够体现心血管健康、身体机能等状况,在我们关注自我身体健康状态时,有着指导性作用。随着我国人口老龄化进程的加快,与高血压相关的健康问题日益凸显。现行的无创血压检测手段,受限于血压设备应用场景固化和传统的基于脉搏波速度衍生而来的嵌入式设备,存在准确率低以及需要反复校准的缺点,难以满足对血压常态化测量有现实需求的高血压和高血压潜在患者群体对便携性、精准性的要求。本文将采用基于深度学习的算法对光电容积脉搏波（Photoplethysmography,PPG）和心电信号（electrocardiogram,ECG）中提取到的多个特征值进行建模,设计一个兼具长时效性、高准确性的无创血压测量系统。该系统的硬件验证平台是基于STM32平台实现,能够同步采集PPG和ECG信号,并将数据上传至电脑端进行处理。网络模型的训练数据来源于重症医学数据库（MIMIC）。本文采用多个不同的算法分别建模实现对血压的预测,比较优劣。分别是基于脉搏波传播时间与血压的关系建模,基于机器学习、深度学习算法对PPG和ECG信号多特征融合的建模。最终对比分析得出结论,卷积神经网络（CNN）结合序列到序列网络（seq2seq）的模型对连续血压预测效果最好。本文研究结合了生理信号检测、嵌入式软硬件、机器学习和深度学习等领域的知识,基于深度学习的PPG和ECG信号对连续血压检测系统中主要完成了如下的工作:1.对血压测量方法的研究背景和国内外发展现状调研,做出系统概述。对无创血压检测设备进行了需求分析,并给出具体的设计方案,研究实现了传统脉搏波传播时间（Pulse Wave Transit Time,PWTT）的无创血压测量方法、增强学习、随机森林等机器学习算法、CNN和CNN+seq2seq深度学习算法对连续血压的预测。2.实现了脉搏波测量的硬件电路平台,其中包括PPG和ECG信号同步采集电路、充电与稳压电路,并对设计思路和电路原理进行了介绍。3.详细介绍了PWTT特征提取算法,着重介绍了从PPG和ECG信号中提取脉搏波频率与血液粘度比率、光电容积描记图强度（Photoplethysmography intensity ratio,PIR）、脉冲到达时间（Pulse arrival Time,PAT）等特征的方法。介绍了机器学习算法的使用,深度学习用到的网络框架,以及设计理由。4.实现PWTT算法的建模过程及其相关性分析,以及机器学习和深度学习模型对血压预测的。模型预测结果分析证明多特征融合的机器学习和深度学习算法要优于传统的基于脉搏波传播时间计算血压的方法,可以利用无线网络等方式为重症监护病房等特定环境提供服务,为便携性和精准性兼具的无创血压设备提供有力的算法储备。