近年来,基于ECG/PPG信号的血压测量方法已经在某些可穿戴设备上实现.但此类方法的检测精度尚未达到相关国际标准.本研究利用深度神经网络模型,对基于ECG/PPG信号的血压测量方法进行了深入研究,提高了该类方法的检测精度.首先,采用基于小波包的模态分解技术,从PPG信号中提取出心脏信号和呼吸信号,并将其与ECG信号同步.然后,采用卷积神经网络(convolutional　neural　network,CNN)基于上述信号建立血压检测模型.通过选用从MIMIC-Ⅲ数据集中筛选出的5776条数据作为实验数据,结果显示,当使用ECG/呼吸/心脏信号测量血压时,CNN模型的收缩压检测精度为(4.6852±6.0730)mm-Hg,舒张压的检测精度为(2.5340±3.9860)mmHg,均达到美国医疗器械促进协会(AAMI)标准和英国高血压协会(BHS)标准的最高级.当使用呼吸/心脏信号测量血压时,CNN模型的舒张压检测精度达到AAMI标准和BHS标准的最高级,收缩压检测精度未达到AAMI标准.结果表明,模态分解技术与ECG信号结合后,可以有效提高对血压的检测精度.