先天性心脏病（先心病）是世界上死亡率极高的疾病之一,对人们的生命健康有着极大的威胁。先心病属于越早发现越容易治疗的疾病范畴。云南省为先心病的高发区,由于地州及边远地区医疗条件和乡镇卫生院医生的水平较低,基层医生往往不具备诊断经验。论文旨在利用数字信号处理和深度学习等技术手段对心音进行分析,让基层医生能通过机器辅助诊断技术,判断心脏健康状态,以辅助基层医生进行心脏听诊。论文通过对心音信号的研究,结合机器学习和深度学习技术,构建了先心病辅助诊断算法进行疾病预测。本文的主要工作如下:1.针对信号质量较差的心音信号,对其进行心音信号预处理。提出了使用巴特沃斯滤波器与小波变化相结合的心音去噪方法,去除环境噪声以及非病理性噪声。然后使用持续时间隐马尔可夫模型（DHMM）对其进行准确分割定位,将采集到的心音信号分割为S1,收缩期,S2,舒张期四个医学上的标准心动周期以便于后期特征提取及分类。2.提出了基于Mel-LPC的心音信号特征提取方法。主要是使用基于Mel-LPC提取心音信号的频谱图,转换为二维特征图后使用深度卷积神经网络对其进行训练学习,实现心音信号的多分类预测。同时对比了不同的卷积神经网络,包括Inception-v3,Resnet-50和CNN对特征图像识别效果的差异。实验结果表明,使用Inception-Resnet-v2网络的分类准确率最高。3.提出使用变值逻辑与机器学习模型相结合对心音信号进行分类研究。为了保证病理性杂音不被滤除,使用变值逻辑模型直接对原始心音信号进行形态学特征提取,而不对其进行滤波处理。将原始心音信号经过变值逻辑转换后,选取较为典型的4个测度向量进行可视化分析,并作为机器学习分类器的特征输入,同时对比在SVM、KNN和LR上的分类结果。实验结果表明,该机器学习模型比构建的神经网络模型效果更好,在测试集上取得了96.5%的分类准确率,有望用于实现心音的机器辅助诊断。