心脑血管疾病在过去的十几年中始终是人类的最大杀手。2018年心脑血管疾病在全世界造成的死亡人数超过1700万。在我国的患者人数达到了 2亿以上。心音是心脏健康状况的重要生理信号。因此,研究心音信号的自动识别算法有着重要的意义。机器学习在分类问题中近些年来表现优异。本文结合信号处理和机器学习的一些方法,对区分正常和异常的心音信号进行了分析。对比了不同的机器学习算法模型,提出了一种分辨心音信号的可行模型。本文的主要工作和结果如下:(1)对心音数据进行预处理。通过小波阈值去噪滤除信号中的噪声,利用隐半马尔可夫算法找到每个心动周期中S1期、收缩期、S2期、舒张期的位置,进而提取心音信号的96个时域、频域和不同频带信号包络线上的特征,通过t检验,选取77个特征,为下一步训练传统机器学习模型做准备。(2)采用支持向量机、随机森林和K近邻三种传统机器学习算法,在数据库上进行建模。设计了三个参数选取实验,选取实验结果最优的参数组合。将三个模型在数据库上进行十折交叉验证实验,比较三种模型的优劣。研究了 SMOTE算法解决特征矩阵数据不平衡的问题。(3)构建两种CNN模型——单一 CNN模型和双CNN模型。改进频率切片小波变换将一维心动周期信号转换为二维时频图像。研究了心动周期窗口的优选参数。设计的单一 CNN模型、双CNN模型实现了心音信号的分类。对比了传统机器学习算法和双CNN模型的异同。双CNN模型的灵敏度、特异性、精确度和精确度度量分别为0.95、0.93、0.93和0.94,证明该模型有很好的心音分类能力。