传统的听诊方式因为方便简单、无创伤等特点,在肺部疾病的诊断中备受关注。但传统的人工听诊方法也存在许多问题,如对于诊断结果的判断存在主观性等。尤其是在2019新型冠状病毒（COVID-19）肺炎疫情暴发的时期,传统防控手段暴露出诸多弊端,病毒的感染性强,诊断结果的不及时、不精确,导致传统的听诊方式难以应对此次疫情的突发性和复杂性。将肺音诊断电子化和自动化将是该领域发展的趋势。在肺音的自动化诊断的过程中,特征数据的选取在很大的程度上决定了算法准确率,因此,对肺音信号进行特征提取,找出有效的特征值,是肺音信号自动化诊断的关键。本文基于病毒性肺炎肺音的特征提取进行研究:主要内容如下:第一,系统的对肺音相关知识以及肺音特征提取的国内外发展现状进行了介绍。对目前常用得特征提取方式进行了分析,指出了存在的优势和问题。本文基于采集的肺音数据,对肺音数据进行去噪、通过对肺音数据的重复收听,找出每一呼吸周期,并给每一个呼吸周期定义标签、利用Matlab编写程序根据生成的标签自动切分,构建一个带标签的呼吸周期肺音数据库。第二,对数据进行预处理并对肺音信号进行传统方式如短时参量的特征提取研究,基于肺音进行时域、频域特征提取方式分析时,鉴于部分特征提取方法是对肺音信号的每一帧进行计算进而获得特征值。而不同患者的呼吸周期的长度往往存在差异,因此分帧后计算得到的特征值向量长度不一致,影响对特征值矩阵的整理,本文提出了一种基于随机数的特征值齐化算法,有效的解决这一问题。第三,基于肺音的时域信息进行分析,根据肺音的时域波形图以及能量特征,对周期肺音数据进行呼吸气相分离,并提出一种基于呼、吸气相的小波包变换特征提取方式;基于对小波变换和希尔伯特-黄变换技术的深入研究,提出了一种基于小波变换与希尔伯特黄变换联合特征提取（WT-HHT）方式。利用实验分类算法,对传统的特征提取方式以及本文提出的特征提取方式获得的特征值进行分类识别,结果表明基于呼吸气相的小波包特征提取的分类识别准确率为86.35%;基于小波变换与希尔伯特-黄变换特征提取识别准确率为91.39%。相较于基于传统的特征提取所得的识别准确率,有了较大的提升。验证了本文提出的特征提取方式的有效性。