心音是人体重要的生理信号,可以作为先天性心脏病诊断的关键依据。传统先心病诊断方法为医生下乡进行听诊筛查,受限于人力资源有限,该方法成本高昂、效率低下,难以遍及所有地区。本文借助数字信息处理技术,提出了一种适用于先天性心脏病心音信号的计算机辅助诊断算法,旨在为先天性心脏病筛查提供一种新的技术手段。心音为微弱低频信号,其频率低、振幅小,在采集过程中极易受到临床环境的影响。因此,在临床环境下,对心音进行有效准确地分类是一个巨大的挑战。本文从实际应用出发,对心音预处理、心音特征提取、心音分类三个阶段进行重新设计,构建了一套切实可行的心音信号计算机辅助诊断算法框架,为临床环境下的计算机辅助听诊系统探索了一条新的技术路线。心音预处理。在此步骤中,本文使用小波算法对心音进行消噪处理。随后,针对不依赖心电图的心音分割方法分割精度有限难题,本文引入持续时间充当隐马尔可夫模型概率转移条件,构建基于持续时间的隐马尔可夫模型进行心音分割,并将其存储为基于心动周期的心音样本。在测试集上取得平均评估精度分数（F1）0.933,平均灵敏度0.930,平均精确率0.936,该算法鲁棒性与抗噪声性能俱佳,是使本文所提出机器辅助诊断算法自动化的关键步骤。心音特征提取。为解决由于心率异变性所导致的心动周期不均等现象,本文使用动态帧长的方法提取心音的梅尔频谱系数。该特征提取方法可以使任意持续时长的心动周期信号变换至同一平面维度,同时保留了各心音状态的相对参考位置信息。梅尔频谱系数特征可以同时保留心音的时域信息、频域信息与能量信息,对提高分类器的准确率有着突出贡献。心音分类。本文使用卷积神经网络对梅尔频谱系数特征进行分类,考虑到每个个体的心音记录含有多个心动周期。使用多数投票算法对其分类结果进行优化,将多个心动周期映射至个体以提高心音分类准确率。最终,本文在二分类上准确率为0.939,灵敏度为0.928,特异性为0.950。在多分类上,准确率为0.863。上述步骤共同组成了先天性心脏病心音信号的计算机辅助诊断算法,由于每个步骤均基于临床环境应用角度出发进行设计,算法准确率高,鲁棒性好,数据集大,普适性强。为临床环境下的先天性心脏病筛查工作开辟了一种新的技术手段。