肺动脉高压（PAH,Pulmonary Arterial Hypertension）是一种肺动脉压异常的病理学状态,其发病原因复杂,是一种慢性致死性疾病,初期不易诊断。先心病相关肺动脉高压（CHD-PAH,Congenital Heart Disease-Pulmonary Arterial Hypertension）是肺动脉高压的一种类型,CHD-PAH患者患病过程中心脏机能发生改变,心脏运动产生的心音是先心病初诊的重要依据。心音被认为是一种随机时间序列,高阶统计量在生物医学信号分析中取得好的效果,特别是脑电图、心电图和心音图非线性特性。本文采用高阶统计量分析健康受试者和CHD患者的心音信号,研究他们的特征用于识别CHD患者。本文工作主要包括三部分:（1）建立CHD-PAH的心音肺动脉评估模型,实现对心音信号的预处理。本文共采用1900例信号,CHD-PAH患者300例,CHD患者900例,健康者700例。采用带通滤波器滤除噪音,持续时间隐马尔科夫模型对去噪后的心音信号定位,分割得到单周期信号,再从单周期心音信号中分割出第二心音（S2）、收缩期信号。进一步采用改进的维格纳分布分析第二心音的分量参数,建立CHD-PAH的心音肺动脉评估模型。（2）针对先心病心音信号的特征提取与分类研究。由于心音信号是一种随机时间序列,本文设计从心音信号的时间、能量、相位和幅度等多个维度提取心音特征,并通过相关性分析选取显著性差异的特征。引入高阶统计量ARMA模型,从高阶谱三维图、平面图和相位谱及其对角切片图分析心音特征。并用机器学习中经典的K近邻,决策树,贝叶斯三种分类器进行分类比较。为下一步CHD-PAH的分类奠定基础。（3）针对先心病相关肺动脉高压的小样本分类网络研究。通过高阶统计量ARMA模型分类出CHD信号,再进一步从CHD信号中识别出CHD-PAH信号。由于CHD-PAH心音数据量少,为得到最佳的分类效果,需要选择适合CHD-PAH心音信号的小样本分类网络。本文选择适用于小样本分类空间度量的元学习孪生神经网络,并加入长短期记忆网络改进网络结构。本文通过传统建模用心音分量参数估计肺动脉压,以此判断是否患先心病相关肺动脉高压。同时,在采用高阶统计量ARMA模型分类出先心病信号的基础上,选取适合于CHD-PAH心音信号的小样本神经网络进行分类。两种方法同时进行,保证了实验结果的准确性。