血压是诊断心血管疾病的一个重要生理指标,定期测量血压可以帮助患者更好的控制血压,避免更严重的心血管并发症。传统的袖带式血压检测设备需要将袖带传感器牢固套在上臂,当需要持续监测血压时,会给受试者带来不适。研究表明,提取光电容积脉搏波（photoplethysmography,PPG）中与血压相关的信息可实现无袖带血压估计。但是采集的PPG信号容易受到干扰,难以准确提取特征。此外,人工提取的特征并不能充分描述PPG与血压的复杂联系。本论文针对这一问题,开展了基于无袖带的血压检测关键技术研究。主要研究成果如下:（1）本文深入研究了基于脉搏波特征参数的血压估计方法,分析了脉搏波与血压的生理关系,并提出了一种基于脉搏波特征的血压估计方法。该方法采用小波变换和阈值滤波对PPG信号进行预处理,针对PPG信号特征提取不准确的问题,提出了差分阈值法和幅度极值法相结合的特征点提取方法,该方法能够更准确的提取特征。分析并提取PPG及其导数波形特征,作为后续的血压模型的输入。此外,通过对比几种不同的机器学习方法在血压估计方面的性能,最后选择梯度增强回归树（gradient boosting regression tree,GBRT）构建血压估计模型以完成无袖带的血压估计。（2）针对人工提取的波形特征难以表达血压与PPG信号的复杂联系的问题,本文提出了一种基于潜在空间特征的血压估计方法。该方法旨在弥补人工提取特征的不足,更加深入地挖掘脉搏波中包含的与血压相关的信息,以提高血压估计的精度。首先提取单周期的PPG及其导数信号,并利用特征滤波法剔除失真的单周期波形。随后利用GBRT提取单周期PPG信号及其一阶和二阶导数的高阶交叉特征,并利用卷积神经网络（convolutional neural networks,CNN）提取PPG信号的时频图中的深层特征。随后,将提取的潜在空间特征输入支持向量回归器（support vector regression,SVR）构建血压估计模型。在UCI血压数据库的12000个样本上进行了模型验证,实验结果表明所提出的方法优于最新的血压估计方法。（3）设计了基于PPG的生理参数检测系统,输入采集的PPG信号就可以实现血压、心率等生理参数的测量。该系统包括信号读取模块、预处理模块、特征提取模块以及生理参数检测模块四个模块,并基于python完成了软件系统的搭建。