近年来心肺疾病逐渐成为威胁人类健康的首要因素之一,听诊是诊断众多心肺疾病最便捷与经济的手段。目前,听诊环节在就诊过程中日趋弱化,而新冠疫情导致的医疗资源紧缺、传统听诊使医生暴露于危险之中等情况使该问题愈发严重。电子听诊器,因其可实现无线连接、实时转录以及在线分析等优势,成为解决问题的新手段。特别的,近年来涌现的深度学习方法具有优秀的数据特征挖掘能力,使得对心肺音信号的在线自动分析识别成为可能。在使用电子听诊器收集信号时,心音与肺音常会呈现混合状态,这将严重影响后续的识别任务,因此需要研究心肺音分离方法助力后续识别任务,提高人工智能电子听诊器的实用性。传统的语音/声信号单通道分离方法往往只处理STFT结果的幅值,但混合状态的相位会带噪声干扰,且没有考虑到心肺音的特点。此外,目前心音或者肺音识别的对象通常是纯净的心肺音,没有研究工作对比心肺音分离前与分离后的识别效果。本文面向心音与肺音高度重叠、相互影响这一被过往研究忽视的实际场景下的心肺疾病诊断问题,发掘复数人工神经网络以及心肺音特点,研究心肺音分离与识别方法,主要开展如下两部分工作:第一部分的工作着重研究了心肺音预处理环节中的心肺音分离问题。针对常见单通道语音分离方法只注重在STFT后时频谱实数域上的处理,造成部分信息浪费或丢失的现状,本文基于复数神经网络设计编解码网络用于心肺音分离。此外,在心肺音分离过程中特别考虑心音信号的准周期性,基于循环平稳性对其进行量化,利用循环平稳代价函数计算其循环平稳频率作为损失函数的一部分用于心肺音分离网络的优化。本文所提出的基于循环平稳性优化的复数神经网络心肺音分离方法,充分利用了时频谱的全部幅相信息,循环平稳代价函数的引入不仅优化了心音的分离结果,还改善了肺音的分离结果。所提出的心肺音分离方法可很容易地给出在线输出版本,并在各种仿真或者实际场景下的心肺音分离任务中进行了性能验证。通过实验,与最新发表的心肺音分离方法相比,本文所提出方法输出的心音与肺音均取得了更高的信号伪影比（SAR）、信号失真比（SDR）以及信号干扰比（SIR）。第二部分工作研究心肺音识别方法,并结合心肺音分离方法评估心肺音分离-识别完整处理过程后最终的心肺疾病诊断效能。由于心肺疾病的多样性,本文以一个心脏疾病五分类任务:主动脉瓣狭窄（AS）、二尖瓣反流（MR）、二尖瓣狭窄（MS）、二尖瓣脱垂（MVP）以及正常心音分类为问题抓手,研究心音分类方法。本文受软注意力机制中典型代表——SENet的启发,提出基于复数SENet的识别方法:将STFT时频谱输入到由复数卷积模块与复数SENet构成的网络中提取其深层特征,通过全连接层给出分类结果。通过与已发表的多个心音识别方法进行对比,本方法识别结果的各项指标最高。联合本文所提出的心肺音分离方法,将此方法应用到心肺音混合数据上,同样得到了较好的识别结果。本文考虑实际应用场景,从心肺音分离、心肺音识别两个相衔接的任务出发,发挥复数神经网络在综合利用幅相信息方面的优势,提出相应解决方案。其中基于复数神经网络及循环平稳代价函数的心肺音分离方法可以获得纯净的心音与肺音信号;基于复数SENet的心肺音分离后的心音识别可以获得较为准确的心音识别结果。本文同时考虑这两个相互衔接的任务并提出优化的联合解决方案,最终为实际场景下电子听诊器心肺疾病自动诊断研究提供了稳定可靠的方法论。