近年来,心血管疾病的患者数量逐步攀升尤其由压力因素导致的心脏病猝死越来越多。简单有效的心血管疾病诊断方式是目前心脏健康状况诊断领域内的一项亟待发展的技术。临床医学中常将单模态的心功能信号的诊断方法,如心电图,心脏彩超等方法作为心脏疾病诊治的常规手段。但单一模态的检测和诊断方法具有一定的局限性,不能完整表征心功能状态。本文提出多模态心功能信号处理及辅助诊断方法以不同模态反映的心功能状态的不同,从多角度综合地反映心脏的健康状况进而提高疾病诊断的准确性。多模态心功能信号可采取同步采集的方式获得,大大节省病人的诊治时间,具有高效、快捷、准确等特点。本文围绕同步采集的心电、心音和心阻抗信号作为多模态心功能信号,在研究各模态信号产生机理的基础上,对信号的处理及分类方法进行研究,并结合相关的融合理论,对多模态信号的处理及辅助诊断方法提出了有效的心功能信号的分类方法及算法优化策略,包括多模态信号处理及辅助诊断方法中涉及到的特征提取及分类、多模态信号的融合策略等。本文的主要研究内容及创新点归纳如下:（1）研究了基于小波孪生支持向量机（TWSVM）的单模态心功能信号处理及辅助诊断方法。本文通过研究心功能信号的产生机理及其分类处理方法的现状,针对单模态心功能信号的分类问题提出一种基于小波分形和孪生支持向量机的心功能信号分类方法。为了得到丰富的特征信息同时降低特征向量维数,采用小波包理论求解其系数范数及能量熵信息作为特征向量。又因为心功能信号为非线性信号,且具有明显的分形特性。本文基于分形理论对心功能信号进行了分形维数特征的计算。分类器采用的是孪生支持向量机,有效的防止了样本不平衡问题的出现,获得了90.4%的准确度,计算开销缩减到标准支持向量机（SVM）的1/4,节省了大量的时间开销。为了简化特征提取的复杂性并提高心功能信号分类的准确性,对上述算法进行了优化设计,在此基础上提出一种基于小波散射变换和孪生支持向量机的心功能信号分类方法。因为传统小波变换存在着时移变化的弊端,而小波散射变换具有弹性形变稳定性和平移不变性的优势,因此本文采用此方法对心功能信号进行了特征提取。由于得到的散射特征矩阵的维度较大,本文采用多维尺度法（MDS）进行了降维,并与经典的降维方法—主成分分析法（PCA）进行了对比,最后将降维后的特征矩阵输入到孪生支持向量机中进行训练。实验结果显示,利用本文提出的方法得到了98.58%的分类准确度,分类效果优于基于小波分形和孪生支持向量机的心功能信号分类方法,且运行时间较SVM也有大幅度地缩减。（2）研究了不同融合策略下的多模态心功能信号分类方法。以特征层融合策略,本文提出一种基于小波散射变换的多模态心功能信号分类方法,通过在特征层对不同模态的心功能信号的小波散射特征进行加权融合得到多模态心功能信号的总的特征向量,然后采用支持向量机进行了分类处理,实验结果显示,当权值为（0.2,0.8）时得到71.9%的准确度,是所有权值组合中分类效果最好的。以决策层融合策略,本文提出一种基于改进的D-S证据理论的多模态心功能信号的分类方法。该方法结合小波散射变换,支持向量机和D-S证据理论方法对多模态心功能信号进行处理与分类。通过小波散射变换对多模态心功能信号进行了特征提取,从而得到了多模态信号的散射特征。然后采用支持向量机构造基本概率分配（BPA）,利用改进的D-S证据理论进行融合。实验结果显示,该方法得到86.42%的分类准确度,比特征层融合方法及同条件下的单模态心功能信号的分类效果好,且灵敏度、特异性、分类精确度及F1 Score等指标都较特征层融合方法及单模态心功能信号分类方法有所提高。（3）研究了基于深度学习的多模态心功能信号处理及辅助诊断方法,通过研究面向深度学习的融合技术,提出一种基于Bi LSTM-Goog Le Net-DS的多模态心功能信号分类方法。该方法克服了传统方法中特征点检测不够准确的缺陷以深度学习方法进行特征的完整表达。首先将获得的多模态心功能信号分别进行滤波处理,利用双向长短期记忆网络（Bi LSTM）将多模态心功能信号进行网络融合分类。然后,将滤波后的多模态心功能信号分别进行时频化处理获得各信号的时频图,将一维信号变为二维图像信号,将各图像信号进行大小调整之后分别通过改进的Goog Le Net网络进行分类处理,结合以上双向长短时记忆网络的分类结果最终得到三通道分类结果,将这三通道的分类结果采用改进的D-S证据理论的融合策略进行分类进而得到最终的分类结果。实验结果显示,采用此深度学习混合融合方法可获得96.13%的分类准确度,进一步提高了分类的准确性,比以上基于不同融合策略的多模态心功能分类效果更好,为心脏疾病的辅助诊断奠定了理论基础。以上方法在心音与心电、心电与心阻抗的实验中均取得了良好的分类效果。