血压（Blood Pressure,BP）作为人体重要的生理参数,能够判断心脏功能以及血管健康程度,可以在健康监控、疾病预警、疗效观察等方面发挥重要的应用价值,而对血压值的测量及监测是评价血压水平的根本手段和方法,因此对血压的测量方式和方法等相关技术的研究具有非常重要的意义。现有的血压测量方法主要分为两大类:有创式血压测量方法和无创式血压测量方法。有创式血压测量方法是将特制的导管插入被测者动脉中,通过连接的压力传感器实现对血压的监测,从而实现对血压的连续测量,该方法虽然测量数据精准,但是不具有灵活性,不适用于日常生活的血压监测;无创式血压测量方法根据测量的连续性分为:无创间歇式血压测量方法和无创连续式血压测量方法,其中间歇式测量方法只能测量被测者在测量时刻的血压值,而连续式测量方法可以测量被测者连续时间的血压值。随着人工智能（AI）的发展,基于互联网和AI技术的对血压值的远程监测和管理成为比较热门的研究方向。本文针对无创连续血压测量问题提出了基于PSO（粒子群优化算法）算法优化的广义回归神经网络（Generalized Regression Neural Network,GRNN）的无创连续血压测量方法,该方法得到良好的效果。本文主要内容包括:1.脉搏信号的预处理。其中包括:（1）去除脉搏信号采集过程中掺杂的噪声。本文采用小波变换方法去除基线漂移和高频噪声。（2）采用差分阈值法提取脉搏波特征点。选取出脉搏波起点、峰值点、降中峡点、重搏波峰值点共四个特征点,为后续研究奠定基础。（3）剔除异常脉搏数据。由于采集或其他操作的失误,脉搏信号中存在异常脉搏周期信号。对提取的单个脉搏周期、上升支时间、上升支幅值、下降支时间、下降支幅值五个指标序列进行中值滤波,设置上下阈值进行异常脉搏周期的剔除,当五个特征指标中的一个或多个超过阈值范围,则此周期的脉搏信号判定为异常脉搏信号,直接进行剔除,为后续建立特征矩阵做准备。2.建立PSO-GRNN神经网络无创连续血压测量模型。采用MIMIC（Multi-parameter Intelligent Monitoring in Intensive Care）数据库中的脉搏波数据和同步血压数据作为研究对象,选用41个样本数据,共计99113条脉搏数据。建立11维脉搏波特征参数矩阵,利用粒子群优化算法优化GRNN神经网络,训练并确定模型参数,最终完成血压预测模型的建立。3.通过对比实验验证PSO-GRNN神经网络方法的准确性。选取BP神经网络和Elman神经网络与本文方法进行实验对比分析,通过实验验证PSO-GRNN神经网络连续血压测量模型的效果由于其他两种方法。采集5个志愿者的脉搏信号和同步血压数据进行实验验证,最终得到的结果满足美国医疗器械促进委员会（Association for the Advancement of Medical Instrumentation,AAMI）的血压测量效果检验标准。证明了基于PSO-GRNN神经网络的连续血压测量模型在测量血压方面的准确性和可行性。4.实现了基于PSO-GRNN神经网络的无创连续血压测量系统。采用mpvue框架搭载微信小程序平台实现手机端查询显示血压测量结果,后台采用Node.js搭建Web服务器实现算法调用及端口创建,实现前后端连接。