Las enfermedades cardiovasculares (ECV) se han convertido en un problema de salud común para la humanidad, y la prevalencia y mortalidad de las ECV están aumentando año tras año. La presión arterial (PA) es un parámetro fisiológico importante del cuerpo humano y también un indicador fisiológico importante para la prevención y tratamiento de las ECV. Los métodos de medición intermitente existentes no indican completamente el estado real de la PA del cuerpo humano y no pueden eliminar la sensación restrictiva de un manguito. Por lo tanto, este estudio propuso una red de aprendizaje profundo basada en el marco ResNet34 para la predicción continua de la PA utilizando solo la señal prometedora de PPG. Las señales de PPG de alta calidad primero se pasaron por un módulo de extracción de características a múltiples escalas después de una serie de preprocesamientos para expandir el campo perceptivo y mejorar la capacidad de percepción de características. Posteriormente, la información de características útiles se extrajo apilando múltiples módulos residuales con atención al canal para aumentar la precisión del modelo. Por último, en la etapa de entrenamiento, se adoptó la función de pérdida de Huber para estabilizar el proceso iterativo y obtener la solución óptima del modelo. En un subconjunto del conjunto de datos MIMIC, los errores tanto de la PAS como de la PAD predichos por el modelo cumplieron con los estándares de la AAMI, mientras que la precisión de la PAD alcanzó el Grado A del estándar de la BHS, y la precisión de la PAS casi alcanzó el Grado A del estándar de la BHS. El método propuesto verifica el potencial y la viabilidad de las señales de PPG combinadas con redes neuronales profundas en el campo de monitoreo continuo de la PA. Además, el método es fácil de implementar en dispositivos portátiles y es más consistente con la tendencia futura de los dispositivos de monitoreo de presión arterial vestibles (por ejemplo, teléfonos inteligentes y relojes inteligentes).