众所周知,心脏是人体血液循环的中心,承担着使人体各器官正常运转的重任。血压是由心脏产生的人体非常重要的物理信号之一,正常人的血压在多种因素的调节下保持稳定;而对于老人或者病人来说,血压的波动往往会超出正常范围,而这种血压的非正常波动,对于判断一个人的生理状态十分有帮助。因此,如何有效地测量血压在医疗和日常生活中具有重要意义。在日常生活中,目前最常用的血压测量设备是电子血压计,其原理是基于柯氏音和示波法,在使用电子血压计的过程中,需要对被测者施加压力,这种方法操作繁琐、不能连续监测,而且容易对被测者造成不适,所以有必要研究出更好的方法来进行无创连续的血压监测。得益于传感器技术的发展,人们可以很容易的获取人体脉搏的Photoplethysmogram(PPG)信号,很多研究也都基于PPG信号进行了血压的预测。因为PPG信号是一组连续波动的波形数据,通过从PPG信号的波形中提取出与血压显著相关的特征,然后对这些提取到的特征建立回归模型,从而预测出血压。目前大部分研究者都是通过线性回归的方式建立PPG特征与血压的关系模型,而通过实验可以看出线性方式获得的模型在预测准确性上存在不足,所以本文将通过多种回归方法,对数据进行建模更好的预测血压。在回归模型的基础上,本文通过线性回归,神经网络等机器学习的方法,对PPG信号与血压进行线性和非线性回归建模,然后比较了各个方法的预测效果。针对血压的特点,本文提出了两种优化手段来提高血压预测的准确性。首先针对不同人群间存在的差异,通过聚类的方法将原始的数据分类,再对每一个类别建立回归模型,这样可以一定程度减小模型的误差。另外,通过分析数据,可以发现高压与低压间存在一定的相关性:其间的差值一般稳定在一定的范围,所以本文利用这一特点,提出了改进的梯度提升算法,对基本的回归模型进行优化。最终的实验结果表明,本文的方法能够快速有效地改善血压预测的效果,预测结果具有较低的误差。