射血分数保留型心力衰竭（heart failure with preserved ejection fraction,HFpEF）是一种复杂的异质临床综合征，约占所有心衰患者的50%，且HFpEF的病理生理机制尚不完全清楚，临床诊断困难。心音信号是心脏机械活动的直接反映，可以为心脏异常的早期诊断提供有效信息。本文基于心音信号分别从传统特征提取和深度学习两方面提出两种HFpEF识别方案，旨在探索出一种无创且高效的HFpEF辅助诊断方法，也为HFpEF的诊断提供一种新思路。主要内容如下：
　　第一，提出了一种新阈值函数以克服传统软阈值函数和硬阈值函数的缺点，并搭建了一种无需设置任何超参数的小波去噪方案。针对不同心音信号，该方案能自适应选择不同的小波母函数和分解层数，并通过对比不同噪声强度下不同阈值和阈值函数的信噪比、均方误差和相关系数，发现统一阈值和本文提出的新阈值函数性能更好，不仅能去除多余噪声，也能很好地保留病理性心杂音。
　　第二，基于多重分形去趋势波动分析法全面深入地开展了心音多重分形特征提取与分析。探究了与广义赫斯特指数、Renyi指数和多重分形谱相关的9个多重分形特征指标的变化。结果表明：心音信号具有反长程相关性，且HFpEF心音的反长程相关性降低；HFpEF心音中可能产生了心杂音，且患者的心脏收缩能力可能受损，但HFpEF患者与正常人的心脏收缩能力不存在显著差异；此外，HFpEF心音的多重分形程度、复杂性以及波动剧烈程度均降低。
　　第三，开展了基于传统机器学习的HFpEF心音识别研究。使用主成分分析法对具有显著性差异的多重分形特征进行降维处理，并基于准确度、灵敏度和特异度探究最佳输入主成分数和激活函数。然后对比最优剪枝极限学习机（optimally pruned eatremely learning machine,OP-ELM）、基于网格搜索算法选取隐层节点数的极限学习机（eatremely learning machine,ELM）和基于粒子群优化算法确定超参数取值的支持向量机（support vector machine,SVM）的性能。结果表明OP-ELM和ELM的性能相对于SVM均有显著提升。因最优剪枝过程的影响，OP-ELM的十折交叉验证耗时较ELM延长，但其平均准确度，灵敏度和特异度较ELM分别提升了2.7%，5%和0.42%，对HFpEF心音的识别率达92.27%，且其速度虽降低，但并不对实际应用产生任何影响。
　　第四，基于深度学习提出了一种新的HFpEF心音识别方法，即使用经典卷积神经网络LeNet5模型自动提取心音的深度特征，并结合OP-ELM实现分类。结果表明OP-ELM分类器与深度学习模型相结合能提高模型本身对HFpEF心音的识别能力，且其性能优于与SVM相结合的方法。但由于LeNet5网络结构十分简单，对心音深度特征的提取能力不足，导致OP-ELM结合LeNet5模型的性能较结合多重分形特征的方法更差。