肺动脉高压（Pulmonary arterial hypertension,PAH）是一种可由多种心、肺或肺血管本身疾病所致的血流动力学异常的异质性疾病,临床上把肺动脉平均压不小于25mm Hg认定为PAH。先天性心脏病（Congenital heart disease,CHD）简称先心病,是我国婴幼儿易发的心血管疾病,对儿童发育成长危害极大,其中20%未得到及时治疗的CHD患者会发展到先心病相关肺动脉高压（Congenital heart disease associated with pulmonary arterial hypertension,CHD-PAH）,其致死率很高。CHD-PAH病症早期不明显,不易被发现。临床确诊需要通过右心导管术检查,该项检查为介入式的,风险高,需要专门设备,不便在大规模筛查中采用。心音图（PCG）、心电图（ECG）作为重要的心血管疾病辅助诊断依据,可蕴含着CHD-PAH对应的心脏血流动力学和结构病变的部分特征信息。为此,本文旨在更全面分析CHD-PAH,分别选用PCG和ECG做主要分类研究,研究工作从三个方面展开,其一是基于ECG的CHD-PAH机器辅助诊断算法研究;其二是基于PCG的CHD-PAH机器辅助诊断算法研究;其三是基于ML-KNN（Multi-Label KNearest Neighbor,ML-KNN）的先心病相关PAH的多标签分类研究。ECG为一种低频低信噪比的弱电信号,直接用来做CHD-PAH相关分类具有较差的敏感性和特异性,因此本文尝试在CHD基础上利用ECG对CHD-PAH做分类研究。先通过小波阈值和低通滤波预处理ECG,再做时域分析,利用Christov＿segmenter算法结合差分阈值和局部峰值法进行重设计,检测ECG的P、QRS、T波以及各波起止点,提取对应的幅度和时长双形态特征,并对特征进行可视化分析和通过随机森林做重要性评估。分类识别主要采用具有较好解释性的SVM、KNN、LR等传统分类器,并利用具有高斯变异和柯西变异特性的T分布对麻雀搜索算法进行改进用来优化SVM。PCG对PAH可表现为第二心音（S2）亢进、主动脉瓣（A2）和肺动脉瓣（P2）分裂现象,但这对CHD型PAH仍然缺乏足够特异性,因此如何从心音中提取更为有效的特征至关重要。本文在预处理中为了更好的降低噪音成分同时保留心音特征信息,使用基于自适应噪声的完备经验模态分解（CEEMDAN）结合小波阈值方法降噪,提取基于Mel滤波尺度的频谱系数作为特征,使用变分模态分解（VMD）对特征进行改进以克服心音的非线性非平稳特性。此外实验选择经HSMM分割所得S2分量、单心动周期以及5S、10S信号长度以探索不同分量和样本长度的分类效果,实验表明5S信号长度具有更好的性能,可直接采集无需分割,更适合辅助诊断系统。CHD型PAH可伴随其他可致PAH类型先心病,常见的有室间隔缺损（VSD）、房间隔缺损（ASD）以及动脉导管未闭（PDA）,本文旨在更好辅助利用PCG信号对CHD-PAH的确诊以及病因探索,因此在PCG分类研究的基础上使用多标签分类算法ML-KNN对CHD-PAH相关数据集进行多标签分类研究,训练出的模型在测试集上得到平均精度为0.783,宏观AUC为0.885,汉明损失值为0.153。本文分别采用PCG和ECG对CHD-PAH做分类研究,使用ECG对CHDPAH的分析为基于CHD基础上的二阶段分类,对PCG处理则直接采用单阶段分析并辅助使用多标签分类,对CHD-PAH做更全面的评估,使最终的CHD-PAH辅助诊断系统更加完善、高效和准确。