肺音是人体呼吸系统与外界进行气体交换时产生的声学信号,其中包含着大量的肺器官信息,是临床实践中反应肺部生理和病理学特性的一项重要指标,因此肺部听诊是预防和诊断肺部疾病的有效手段之一。随着信号处理技术和人工智能技术的不断进步,肺音信号的分析和识别技术向着精确化和智能化的方向发展,如何构建有效的肺音识别模型成为影响肺音智能诊断的重要因素,对辅助治疗和预防肺部疾病具有重要意义。本文对肺音的去噪和识别建模进行了深入研究,提出了基于深度学习和迁移学习的肺音识别方法,主要工作如下:首先,采用混合去噪技术去除肺音中的噪声。为了去除肺音中的噪声,先通过高通滤波器滤除低频噪声,再使用小波阈值法进行心肺音分离,去除心音成分。实验结果表明该方法可以较好地去除肺音的低频噪声和心音噪声。其次,提出了一种基于迁移学习和VGGish-Bi GRU模型的肺音识别方法,该方法结合了VGGish网络和双向门控循环单元神经网络(Bi GRU)。针对肺音样本不足的问题,使用Audio Set数据集预训练VGGish网络,并将参数迁移到目标网络中的VGGish网络层中;为了提取肺音的时序特征,冻结VGGish网络中的各层参数,利用肺音数据微调Bi GRU网络层的参数,进行Bi GRU网络的重训练。实验结果表明,和其他肺音识别方法相比,该方法有效提高了肺音识别精度,尤其是提高了哮喘的识别精度,实验总体精度达到87%以上。第三,比较分析了相关因素对肺音识别结果的影响。实验先比较分析了肺音中心音对识别结果的影响,实验表明利用小波阈值法去除心音后有效提高了识别精度;其次,比较了不同迁移源域对识别结果的影响,实验表明使用Audio Set数据集作为迁移学习的源域具有更好的识别效果;再次,比较了使用不同重训练方法对识别结果的影响,实验表明使用Bi GRU作为重训练层的效果要优于全连接层、LSTM层、GRU层、以及Bi LSTM层的效果。