心音作为人体重要的生理信号之一，有自己独特的发生机制及特性，包含着心脏系统各种生理和病理信息。它能反映心脏及大血管的机械运动状况，是临床评估心脏功能状态的无创而便捷的方法。研究表明，心音信号为确定的非线性信号，且具有明显的分形特性。而现有的心音信号研究大多是建立在心音信号线性时变或时不变模型基础之上的，并不能完全揭示心音信号的内在机制，这就需要用非线性的相关理论分析心音。分形理论是非线性学科中一个活跃的数学分支，可以很好地揭示出非线性过程内在所具有的特殊规律。本文对心音信号进行基于分形理论的研究，着重分析心音信号的分形特征，从非线性的角度揭示心音信号的内在特征规律，从而为心音信号的分析研究提供了一种新的方法。本文从两个方面提取心音信号的分形特征，关联维数和多重分形。单一分形维数着重于从整体上描述分形体的不规则程度，多重分形具有良好的局部分析能力，二者结合从整体与局部的角度同时考虑信号的特征，提高分类识别的准确率。首先，对心音信号进行经验模式分解(empirical mode decomposition, EMD)，得到一系列固有模态函数(intrinsic mode functions,IMF)，这些IMF分量随着心音信号频率的变化而自适应的变化。利用互相关系数准则对IMF进行筛选，分析主IMF(IMF1~IMF4)分量的瞬时频率特性，正常心音和异常心音的各个主IMF分量的瞬时频率特性存在明显差异，说明经验模式分解能够较好地反映心音信号的细节特征，结合G-P算法对主IMF(IMF1~IMF4)分量分别求其关联维数，各个主IMF分量的关联维数构成心音信号识别的特征向量。其次，分析心音信号的多重分形特性，包括广义赫斯特指数、质量指数和多重分形谱。综合分析这三个多重分形特征，显示心音信号具有多重分形特性，并且正常心音信号的多重分形特性强于异常心音信号。重点分析多重分形谱的四个特征参量，因各类心音信号的多重分形谱宽度较之于其它三个特征参量有显著的差异，选取多重分形谱宽度作为心音识别的特征向量。最后采用支持向量机(SVM)作为分类器，以心音信号主IMF分量的关联维数和多重分形谱宽度作为输入向量，从而实现心音信号的自动分类识别。对采集的正常及五类异常心音信号，包括心律不齐、二尖瓣狭窄、第一心音分裂、主动脉狭窄及室间隔缺损等异常心音，采用本文所述方法进行测试。结果表明，结合主IMF分量的关联维数和多重分形谱宽度能够获得较高的识别率，说明分形理论在揭示心音信号非线性特征方面具有良好的特性，为后期心音信号的诊断及心音非线性本质的研究奠定了基础。