心音是人体重要的生理信号之一，它包含了心脏大量的生理和病理信息。而心脏是一个复杂的非线性动力系统，决定了由其产生的心音信号也具有一定的非线性特性和复杂性。常规的心音信号处理方法，如时频分析、功率谱分析等都是建立在线性模型基础之上的分析方法，只能反映信号的时域信息或频域特性，却并不能全面反映本质为非线性的生理系统的动力学特性。新发展起来的混沌理论以及信号处理方法为研究心音信号提供了新的途经。然而，在对心音信号进行混沌分析之前，必须对其进行去噪处理。传统心音去噪方法在对心音进行去噪时常因去噪过度或者不完全，容易造成大量非线性特征信息的丢失，从而破坏了心音本身的动力学特性，这给后续心音的混沌动力学分析带来了不利影响。针对传统心音去噪算法存在的不足，本文提出采用一种基于奇异谱分析的小波去噪方法来对心音信号进行去噪处理。首先，针对实际心音信号的噪声特点，根据奇异谱的主成分分析特性，提出了一种多级奇异值分解算法（MS-SVD）来提取强噪声条件下的心音信号，通过对信号进行奇异值分解和重构，能够有效的从强噪声中分离出心音信号。其次，由于分离出的心音信号在各个频段仍含有部分噪声，所以利用小波的多分辨率分析特性来对心音信号作进一步的去噪处理。而传统小波阈值去噪方法在估计噪声阈值时容易将部分高频心音当成噪声，导致估计的阈值过大而造成心音能量损失。因此，本文采用心音基线来对信号中的噪声阈值进行估计，并提出相应的基线自动提取算法。最后，结合MS-SVD算法和改进的小波阈值去噪算法，提出了一种基于奇异谱分析的心音信号小波去噪算法，并通过提出的改进算法对含噪心音信号进行仿真实验。结果表明，不管是针对正常心音还是异常心音，改进的算法在对其进行去噪时均能达到满意的去噪效果，且性能优于传统的心音去噪方法。同时，去噪后心音本身的动力学特性和非线性特征信息也得到了很好的保留。另外，在深入分析心音信号去噪算法的基础上，将混沌理论应用到心音信号的分析中，开展对不同心脏疾病状态下心音信号的混沌动力学研究。本文从混沌动力学系统所具有复杂性、确定性以及自相似性等基本特征出发，采用基于熵的复杂性、基于定量递归的确定性以及基于分形几何结构的自相似性分析方法来研究心音，并从中选取了近似熵、递归值（递归率、确定率）和关联维等4个关键混沌特征指标对心音进行分析。文中主要选取正常心音和5种不同类型的心脏瓣膜疾病心音作为研究的对象，首先通过相空间图和递归图分别对这几类心音进行定性的分析；然后利用所选特征参数对心音进行定量的分析，并计算其混沌特征值。结果表明，近似熵和关联维能够定量的反映心音信号的复杂程度；而递归图能够定性的描述心音的周期性和确定性，且定量递归分析更能进一步的对其规律性程度进行定量的衡量。因此，探索多种非线性特征分析方法来研究心音信号，可以从不同的角度揭示心音的非线性特征规律，这为后期更深入的研究心音以及实现心脏疾病的诊断奠定了基础。