心血管疾病是导致人类死亡的首要病症,而心脏活动状况通常可以反映身体的病理信息。心音是由心脏瓣膜突然关闭或湍流而产生的,其是评估心脏功能的重要线索。目前,听诊器是心血管疾病临床上常用的诊断用具,其在采集心音时,易受环境噪声和体内伪迹（如肺音）的干扰,从而影响医生听诊有效性。由于对心脏准确听诊需要广泛持久的训练,因此利用计算机辅助心音分析是非常有必要的。对此,本文提出基于注意力机制的卷积神经网络（Convolutional Neural Networks,CNN）与双向门限循环神经网络（Bidirectional Gated Recurrent Unit,Bi GRU）的心音分割方法和基于心肺音分离的心音分类方法并设计了智能数字听诊系统,研究内容如下:（1）传统的隐马尔可夫模型（Hidden Markov Model,HMM）分割方法,其统计建模依赖初始化及灵活性不足,而基于深度学习的方法中,单独的Bi GRU不能很好地提取信号局部特征,U-net分割方法存在下采样丢失信息、无法对所需关注的目标赋予更多权重、难以学习上下文信息的问题和交叉熵损失函数（Cross Entropy Loss,CE）难以克服心音样本状态类别及各状态分类难度不平衡的缺陷。针对以上问题,本文提出一种心音分割方法。首先通过CNN对心音包络信号特征提取,然后利用注意力机制对深层特征分配不同权重,实现扩大和自适应调整感受野,接着使用Bi GRU捕捉上下文信息和采用Focal Loss（FL）解决样本不平衡问题,最后时序建模得到状态序列。实验结果表明,本方法取得了优于上述已有方法的心音分割性能。（2）鉴于心音信号中存在肺音干扰和读取心音特征时频繁的梅尔频谱I/O操作问题,本文提出一种心音分类方法。首先借助辅助数据集,学习先验知识,通过心肺音分离网络消除心音信号中的肺音,然后构建梅尔频谱等效网络,避免反复地梅尔频谱读取,最后使用心音分类网络分类,实现三个网络端到端的联合优化。实验结果表明,当心音中存在肺音重度污染时,使用心肺音分离网络能有效提升心音分类精度。另外本文将上述心音检测算法嵌入智能数字听诊系统以提供辅助诊断。