本文针对皮下葡萄糖浓度与血糖浓度之间存在生理延时且容易受人体、环境等多种不确定因素的影响,不能准确地测量血糖浓度的问题,提出了基于神经网络的血糖软测量方法。该方法利用神经网络的非线性逼近能力来构造待测主导变量血糖浓度和与其相关的可测辅助变量之间的机理关系并建立软测量模型。用UVa/Padova T1DM仿真软件采集的数据对模型的预测效果进行验证,结果表明该方法不仅克服了精确数学模型或相关参数难以获取的局限性,而且有比CGM更小的动态延时、更高的精度、更大的信噪比等优点,可以实现对人体血糖浓度的实时预测。针对实际人体血糖代谢系统,由于其模型复杂,辅助变量较多,各变量之间的耦合性较强,传统的神经网络血糖软测量模型不足以提供较高的预测精度和稳定性的问题,提出了基于NN-MIV的神经网络软测量模型优化方法。对辅助变量做多次筛选并和其他的变量选择方法进行比较,说明该方法具有变量贡献率区分度高、变量筛选结果稳定的优点,能够为模型提供最优的辅助变量集,提高血糖浓度的预测精度。为进一步提高血糖软测量模型的预测精度,克服传统的神经网络训练算法收敛速度慢、泛化性能差且容易陷入局部最优等局限性,提出了基于PSO的神经网络血糖软测量优化方法。该方法利用PSO算法鲁棒性能高、收敛速度快、全局性搜索能力强、不需要借助问题自身的特征信息,且算法简洁,易于与其它智能学习算法相结合等优点,对神经网络各处理层之间的连接权值和阈值进行优化,并将其应用于人体血糖浓度的预测中。实验结果表明,用PSO算法优化后血糖软测量模型具有更高的预测精度,更少的过拟合现象。