心血管疾病严重威胁着人类的健康。心音是心脏运动所产生的振动信号，蕴含着与心血管疾病有关的心房、心室、血管和瓣膜等部位的各种信息，所以心音分析是无创检测心脏病的重要手段。心脏跳动是非线性的，因而决定了心音的复杂性和非线性。目前人们更多地采用线性的方法对心脏模型进行简化或近似，这样并不足以完整的揭示生命活动规律。随着科学技术的发展，非线性系统的研究已取得了很大的进展，这为我们更好地评估心脏状态暗示了一条途径。心音信号是一种微弱振动信号，在采集的过程中会不可避免的引入干扰噪声，这会使有用信号成分受到污染，影响后续分析，所以心音的前期去噪显得尤为重要。传统去噪法一般从线性角度出发，忽略了心音非线性的本质，使其自身的动力学特性受损，导致后续提取的特征参数不准确，进而影响识别。针对心音信号非线性的特点，本文提出噪声水平自适应估计的局部投影与离散小波阈值相结合的去噪方法。该方法建立在相空间重构的基础上，先取较大的嵌入维，用局部投影降噪去除随机噪声部分，保留了较强信号和微弱信号，然后取较小的嵌入维，再次用局部投影降噪算法，这时特征值较大的信号为较强的信号，特征值较小的即为微弱信号，但是微弱信号中还包含一些噪声，而离散小波阈值去噪可以有效地保留信号信息，所以再用离散小波阈值降噪将此噪声去除，即可得到较完整的心音信号。对实测的心音信号进行分析，结果表明该方法能有效地抑制噪声，通过去噪前后最大Lyapunov指数的计算，判断出该方法能很好地保留原始信号的非线性特征。从非线性动力学系统的基本特征出发，选取临床采集的正常及两类异常心音信号为对象，对去噪后的心音信号进行非线性分析，包括基于递归图的递归定量分析和混沌特征量Kolmogorov熵的研究，并从中选取了递归率、确定率、最长对角线及Kolmogorov熵4个特征指标组成特征值向量，再通过主成分分析压缩特征值向量，然后根据该压缩了的特征值向量建立不同类别心音各自的联合概率密度分布模型，并设定判别阈值，可以对心音类型进行辨识。