随着社会经济的发展,人们的生活水平在不断地提升,与此同时,也产生了很多不良的生活习惯,导致心血管病发病率持续增高。通过心音听诊可以及时发现心血管疾病患者,提高心血管疾病的治愈率。而我国医疗资源相对短缺且分布不均衡,部分地区难以实现医生与患者一对一开展心音听诊的需求,并且准确的心音听诊需要医生有着较深的知识储备和听诊经验,听诊结果还会受到听诊器和医生主观判断的影响,因此使用计算机辅助医生进行心音听诊,提高对早期筛查心血管疾病的准确率是十分必要的。近几年卷积神经网络（Convolutional Neural Network,CNN）在心音分类领域崭露头角,本文提出了一种基于改进的ResNet50的心音分类方法。首先,针对心音数据不平衡的问题,提出了基于滑动窗口的预处理模块。使用滑动窗口对心音记录进行切分处理,从单个异常心音获得多个3.2秒异常心音片段,以平衡正常和异常心音的比例。利用成熟的带通滤波和去除尖峰方法,减小噪声干扰。特征提取模块使用短时傅里叶变换提取心音时频图,作为分类器的输入。其次,针对心音数量不能满足CNN训练要求的问题,提出了基于掩码处理的数据增强模块。根据时频图的特点,使用组合策略遮蔽时频信息,以扩充训练数据。最后,提出了基于空间注意力机制和混合空洞卷积改进的ResNet50网络。使用选择核卷积替换conv2x和conv3x部分的3×3标准卷积,使网络可以根据特征尺寸动态调整感受野的大小。在conv4x部分使用锯齿状混合空洞卷积[1,2,1,2,1,2],使网络能够捕获多尺度上下文信息,提高网络特征提取能力。为了验证本文设计的心音分类方法的有效性,在The Physionet/CinC2016公开数据集上进行了测试。实验结果表明,基于改进的ResNet50的心音分类方法可以准确分类正常与异常心音信号,其分类结果的敏感度为93.9%、特异性为92.3%、平均准确率为93.1%。比起现有的许多心音分类方法,该算法具有明显优势。