连续血糖监测仪能够提供实时血糖浓度,为日益严峻的糖尿病问题提供了新的解决思路。但由于胰岛素剂量计算等与患者安全相关的决策制定需要依赖于连续血糖仪提供的血糖数据,而目前连续血糖监测仪由于传感器故障导致数据不够可靠,因此通过血糖仪故障检测和信号修复来提高数据可靠性尤为重要。而现有的连续血糖监测仪故障检测和信号修复方法的泛化能力不足,尤其是在复杂故障场景下检测性能较差。深度学习算法在复杂数据特征提取方面表现出色,不仅在各种图像、文本信号处理任务中有惊人表现,而且在生理信号处理中同样取得显著成果。因此本文通过建立基于深度学习的网络模型来改善连续血糖监测仪故障检测和信号修复的效果。本文对主要的血糖仪故障检测和信号修复算法的原理以及多种深度学习算法的作用机制进行研究,将传统算法基于历史数据建模的思路与深度学习模型强大特征提取能力相结合,提出易于操作且泛化能力强的连续血糖仪故障解决方案。本文参考深度学习模型的网络设计和调试相关的大量研究,并结合现有故障检测和信号修复算法,完成了深度学习模型的架构设计和超参数调优范围选择,然后通过分别在训练集和验证集上进行模型训练和进行大量对比实验,从而提出CNN_C5F1、GRU_H128L3和VAE_C3F2共三个能提供更可靠故障检测和信号修复结果的深度学习模型。本文将故障检测模型和信号修复模型结合,形成具备连续血糖监测仪信号实时处理能力的完整系统(CNN-VAE和RNN-VAE),并综合故障检测性能、信号修复性能和实时处理性能等指标确定将RNN-VAE作为最终系统方案。RNN-VAE系统对连续血糖监测仪故障的实时故障检测和信号修复效果还通过各种故障场景测试及关键指标对比,进一步验证了系统较传统算法的泛化能力的提升。