心脏病被视为严重威胁人类健康的疾病之一,心音作为一种生理信号,它能有效反映心血管疾病包含的特有信息。心音信号分析不仅能够在临床诊断中给予医生相关参考依据,而且相对于心电图,心音信号具有无创性、低成本性、检测便捷等优点。心音信号具有非线性、复杂性等特点,且不同心脏病所显现的特征和规律有所不同。本文从心脏瓣膜缺损疾病和先天性心脏病的心音信号分析着手,在时域、频域和非线性空间上提取特征和筛选特征参数,通过分类识别,实现了心血管疾病的辅助诊断。研究内容包括:（1）本文研究了一种基于经验模态分解（EMD）的自适应重构心音信号的分析方法。首先对原始心音信号采用EMD变换,得到对应的固有模态分量（IMFs）;其次,计算IMF分量信号与原始心音信号的互相关系数（Corr）和均方根误差（RMSE）,分析其中包含的原始信号的有效信息与噪声分布情况;然后得到一种自适应阈值评价指标,通过该阈值的判断,筛选满足条件的IMF分量信号;最后重构出心音子信号。实验表明,该算法无需进行心音分割,能够达到一定降噪目的,且为后续特征提取、特征筛选和分类提供更佳的输入信号。（2）本文改进了一种基于Hausdorff距离的自适应重构方法。经过EMD变换后计算IMFs与原始心音信号的Hauadorff距离（HD值）;然后根据基于Hausdorff距离的自适应阈值,筛选出合适的IMF分量,以进行心音信号的重构;最后对比以Corr和RMSE为评判指标的结果,进一步验证出该方法不仅降噪更好,且重构的心音信号具有更明显的特征信息。（3）经过预处理分析后,提取出重构心音信号的多维特征,然后采用特征筛选方法,结合机器学习分类方法,验证了基于Hausdorff距离的改进自适应重构方法的有效性。首先,本文提取了基于时域、频域和非线性空间上的40个特征参数;其次,采用6种特征筛选排序算法,将特征参数集按特征重要性得分降序排列;然后,选取3种机器学习方法,并将不同维度的特征集输入到分类器中,最终以分类准确率确定出最佳特征维数;最后,将本文的基于EMD自适应重构的预处理方法,与多维特征提取、特征筛选和分类等方法相结合,通过仿真实验确定出关于心音信号的最佳分析和处理方法。结果表明,基于EMD自适应重构心音信号的特征提取、筛选和分类方法,能够有效提高多类型心血管疾病分类准确率,具有实际应用意义。