心血管疾病已经成为当代人类健康的最大威胁。心音作为一种体表无创采集的生理信号,所包含的生理信息在心血管疾病临床诊断上具有重要意义。本文以心音信号作为数据基础,基于质量评估算法和机器学习模型,研究心音信号的分类算法,旨从短时心音记录中识别疾病信息,以辅助临床心血管疾病诊断。本文采用2016年心脏病学挑战赛提供的2575例正常受试者和665例心血管疾病患者的心音数据,主要进行了以下两方面的研究:（1）基于时间窗和小波分解特征的心音信号质量评估算法研究。针对易受环境噪声干扰的心音信号,采用时间窗模拟临床医生听诊流程,质量评价指标采用小波分解特征的过零率和连续差的均方根,建立质量评估方法以实现心音信号的评估筛选,作为后续分类算法研究的数据基础。（2）基于梅尔倒谱特征和小波散射特征的心音分类算法研究。研究了两种无需波形标注和心拍划分的特征提取方法以实现心音信号分类。基于梅尔倒谱特征提取的心音分类方法:将基于人耳听觉机理进行梅尔频标转换的梅尔倒谱作为分类特征,对比研究了 K-最近邻、支持向量机、决策树、AdaBoost算法和卷积神经网络五种典型的机器学习模型的分类性能及模型优缺点。基于小波散射特征提取的心音分类方法:利用小波散射变换平移不变特性,构建小波散射网络,将小波散射网络逐层输出的散射系数作为分类特征。进一步分析质量评估中窗口及指标参数对分类性能的影响,比较特征融合和结果融合两种特征维度处理方法的结果差异。模型灵敏度、特异性、准确率和准确率度量分别为96.62%、90.65%、92.23%和93.64%,证明本文方法具备优秀的心音信号分类能力,在实现辅助心血管疾病诊断上具有尤为重要的借鉴价值。