近年来我国人民生活水平的日渐提升,很多人的生活习惯开始向不健康的方向发展,导致我国心血管发病率的不断攀升。通过我国初级卫生保健检查中的心音听诊,如能检测到主动脉狭窄等现象,则可以将患者归为心血管疾病发病初期的疑似病例,在此基础上,提早开展心血管疾病的预防治疗,可以提高患者的知情率以及治愈率。我国幅员辽阔、医疗资源相对短缺,采用医生和患者一对一模式展开心音听诊是非常消耗医疗资源,而且听诊结果也会受到医生的经验和主观判断影响,因此利用计算机实现辅助心音听诊对心血管疾病的早期筛查是非常有必要的。传统心音分类方法高度依赖心音信号的精准成分分割以及提取到的特征的有效性,加之以往的研究中往往仅使用数据量很小、精心挑选、剔除噪声的不具普遍性的心音数据集,因此,这类算法即使有很高的准确率,也存在不利于推广使用和实时化决策的问题。尽管卷积神经网络（Convolutional NeuralNetwork,CNN）在心音分类领域已经初露头角,但是大多数心音分类模型的输入数据依赖心音精准成分分割操作,训练模型时基于小量的样本,模型本身的结构单一,未能充分挖掘和提取心音信号特征,导致分类性能仍有待提高。基于以上问题,本文欲利用大量心音数据训练基于深度学习的心音分类模型,为心音分类探索出一种无需精准成分分割的切实可行的新型方法提高心音分类性能。另一方面,深度网络模型的空间结构应该在保证优秀的分类效果的前提下,模型的参数尽可能少,如此才能为心音分类算法应用在便携式听诊设备里或应用在远程医疗中心的服务器上提供新思路。因此,本次课题对卷积神经网络在心音信号分类中的应用展开了研究。本文的主要贡献和创新点包括:（1）提出了结合滑动窗口和梅尔频率系数的心音数据预处理模型。该模型不仅无需对原始心音进行精准成分分割,还一定程度上缓解了训练本量小的问题。该模型首先采用滑动窗口对原始心音数据进行切片,获得大量心音子序列。在此基础上,利用梅尔频率系数将一维心音子序列转换为二维时频矩阵,获得大量可用于训练深度CNN的特征矩阵。实验中采用此预处理模型,将包含有3240条心音录音的Challenge 2016数据集扩展为14692个正类心音子序列和14692个负类心音子序列,还将包含585条心音录音的CHSC数据集扩展为3314个正类心音子序列和3312个负类心音子序列。为后续基于深度学习的心音分类模型提供了更为全面可靠的数据基础。（2）提出了基于全局信息融合的卷积神经网络架构（Convolutional NeuralNetwork Architecture of Global Information Fusion,GIF-Net）用于心音分类。该网络架构致力于提高心音分类性能。本文从深度卷积神经网络角度出发设计心音分类模型,同时采用多个全局池化层提取了神经网络从低层次到高层次的各层特征信息,并融入网络最后的决策层。本文通过大量实验对比了各种高层和低层特征信息融合的策略,表明采用本文模型架构构建的心音分类模型可以提高0.08%～2.57%的准确率、0.02%～1.85%的敏感性和0.09%～1.65%的特异性,验证了本文提出的架构能够有效提高心音分类效果。（3）构建了三种基于深度CNN的心音分类模型。为了寻找更适用于心音分类的模块结构,本文根据卷积层间特征信息传递方式总结出了三种卷积神经网络模块结构:基于简单连接的卷积模块、基于跳跃连接的卷积模块以及基于密集连接的卷积模块,并基于这三种卷积模块和GIF-Net共同构建了三种基于深度CNN的心音分类模型。实验表明,基于密集连接的卷积神经网络（DenseCNN）模型更适用于心音分类,在分类准确率、敏感性、特异性方面比其他两种模型高2.49%～3.70%、0.92%～2.47%和1.73%～3.84%。（4）构建了三种基于挤压-激励机制和深度可分离卷积的通道增强轻量模块。针对DenseCNN模型参数量大的问题,本文分别利用挤压激励-深度卷积-点卷积模块、深度卷积-挤压激励-点卷积模块以及深度卷积-点卷积-挤压激励模块改进DenseCNN,相比改进前的DenseCNN,改进后的模型可以在保证分类效果的前提下,参数量下降了44.11%,达到了轻量化模型的目的。为了验证本文构建的基于深度卷积网络模型的心音分类模型的有效性,使用了Challenge 2016数据集和CHSC数据集对本文所有心音分类模型进行了训练和测试。实验结果表明,本文提出的GIF-Net与基于密集连接的卷积模块结合而构建的DenseCNN可以达到更好的分类效果;采用深度卷积-挤压激励-点卷积模块对该模型进行改进,可以得到分类效果较好的轻量心音分类模型,为最终达到实现计算机辅助听诊以及心血管疾病的筛查提供一种新的思路。