心音是人体内常见的可反映心脏及心血管健康程度的一种生理信号。心血管疾病一直是人类致死的主要原因之一,早期提取心脏的生理及病理信息对治疗心血管疾病具有重要价值,成功的心音自动化听诊分析可作为一种有效的辅助诊断工具,帮助普通医护人员确定是否需要进行专家诊断,特别是在临床医生稀缺的地区。因此通过计算机研究心音信号对初步诊断心血管疾病意义重大。根据心音非线性非平稳的特性,本文主要研究了心音信号的降噪方法与心音分割方法,主要研究内容如下:1.心音信号降噪处理。提出了一种基于改进自适应白噪声的完备经验模态分解(ICEEMDAN)及改进自适应混合阈值的心音降噪算法。针对传统心音降噪算法中将部分高频信号直接作为噪声剔除导致降噪后信号失真、基于经验模态分解(EMD)的方法存在模态混叠等缺陷,本文首先使用ICEEMDAN算法将心音分解成n个模态函数分量(IMFs),并采用联合策略找到两个临界模态分量K值,然后对噪声主导及混叠模态分量分别使用小波包和本文改进的自适应混合区间阈值算法进行降噪,最后重构所有分量和剩余分量构成降噪后心音信号。实验结果表明,在不同噪声水平条件下,本文算法可有效去除正常、异常心音中噪声成分、较好保留高频部分有用信息,使信噪比提高了9dB。2.心音信号自适应阈值分割。提出了一种基于自适应阈值的心音分段方法。针对心音信号频率低、易受干扰并含有大量杂音的特点,首先采用了一种提取降噪后心音信号连续平均能量包络的方法;最后,根据连续平均能量包络及自相关函数提出了一种基于自适应阈值心音分段方法。仿真结果表明,本文算法提取出的心音信号包络特征更稳健,本文所提出算法与基于短时能熵比法和短时自相关函数法等心音分段算法相比,本文所提算法分段准确度更高。3.基于机器学习的基础心音分类研究。提出一种基于改进人工蜂群算法优化BP神经网络的分类方法。针对BP神经网络高度依赖初始权值,收敛慢且易陷入局部极值,标准人工蜂群算法开发能力弱、局部探索能力差等缺陷,采用自适应和全局最优策略改进人工蜂群算法中跟随蜂蜜源全局搜索、概率选择算法,使用当前迭代的最佳解来提高其开发能力。此外,使用混沌系统产生初始种群,来增强蜂群算法全局收敛性。最后,将本文算法应用到基础心音分类,实验结果表明,本文算法较经典分类算法分类准确率有较大的提升,梅尔倒谱特征参数条件下,分类正确率高达94%以上。