近年来,我国心血管疾病的病亡率仍处于不断上升的趋势,当务之急就是要进行积极干预有效防治,降低发病率和死亡率。心音信号能较准确地将心脏组织的状态信息、健康状况反映出来,因此对心音信号的处理有着至关重要的作用。心音信号分析与处理主要步骤有以下几个方面:降噪、包络提取、分割、特征提取和分类。本文研究主要围绕心音信号处理中的分割和分类方法展开的,具体开展的研究工作如下:（1）基于逻辑回归的隐半马尔可夫模型中,希尔伯特（Hilbert）变换提取的心音包络具有较大毛刺。为解决该问题,本文提出一种支持向量机（Support Vector Machine,SVM）与香农能量相结合的隐半马尔可夫模型（Hidden Semi-Markov Model,HSMM）心音分割算法。首先采用小波降噪的方法对心音进行降噪,接着根据R峰和T波标记心音,提取香农能量包络等特征,然后对结合逻辑回归模型（LR）的HSMM相关参数进行训练,并借助Viterbi算法推测出心音最可能的状态。最后,通过SVM模型识别第一心音S1和第二心音S2。该算法不需要设置硬阈值,将噪声抑制在最低水平,更有助于包络的提取。（2）传统的分类器已广泛应用于心音识别,但是临床上心血管疾病种类繁多,单纯的心音二分类识别已不能满足实际应用。本文提出一种基于梅尔频率倒谱系数（Mel Frequency Cepstral Coefficient,MFCC）的卷积神经网络（Convolution Neural Network,CNN）用于心音多分类识别的算法。首先,采用小波阈值变换对原始心音信号进行降噪处理。接着对心音提取MFCC特征参数。然后,构建CNN、长短时记忆网络（Long Short-Term Memory,LSTM）模型以及高斯混合模型（Gauss Mixture Model,GMM）,训练模型,不断调整相关网络参数至最优值。最后利用各自训练好的模型对心音测试集信号进行识别。本文提出的结合香农能量的HSMM的心音分割算法,提取心音的包络更光滑,具有良好的抗噪性能,分割精确度较参考算法有了显著提升。提出的基于CNN的心音分类算法引入池化层和权值共享,提取到更多有用信息,使训练时间大大减少,识别精确度较其他两种参考模型有了较大提升。总之,本文所提出的心音分割与分类研究方法对于心音的高效分析处理起到较大的辅助作用。