多项研究结果表明,运动对心脏的影响不尽相同。而心音是心脏机械活动的直接反映,能够用于评估心脏生理状态改变;心肌损伤标志物可以有效反映心脏损伤情况。因此,本研究设计了家兔力竭游泳实验和人群间歇性负重越野跑实验,基于心音信号特征提取结合肌钙蛋白I（cardiac troponin I,c Tn I）和肌红蛋白（myoglobin,Myo）检测,对不同强度的运动后心脏生理状态改变进行综合评估,并通过机器学习对心音信号进行分类,实现运动后心脏状态识别。具体内容包括以下几个方面:第一,心音信号处理方法研究。首先,采用小波去噪算法对心音信号进行去噪,之后通过信号包络提取、分段定位法,求解心率（heart rate,HR）和舒张期时限与收缩期时限的比值（the ratio of diastolic to systolic duration,D/S）;基于多重分形去趋势波动分析（multifractal detrended fluctuation analysis,MF-DFA）提取心音信号与广义赫斯特指数、多重分形谱和Renyi指数相关的7个多重分形特征参数。第二,基于动物实验研究力竭运动后心脏生理状态的改变。采用家兔负重力竭游泳实验方案,提取运动前后心音信号的HR和D/S两个时域特征值,检测运动前后血清c Tn I和Myo水平。按照力竭游泳实验后样本存活或死亡状态,将样本分成存活组和死亡组,统计分析结果表明,死亡组样本在力竭游泳后出现不可逆心肌损伤;而存活样本力竭后即刻出现运动性心脏疲劳,经休息恢复正常,且多次力竭游泳使存活个体心脏储备能力有增强的趋势。第三,基于人体实验研究高强度运动后心脏生理状态的变化趋势。设计了人群间歇性负重越野跑实验方案,对运动前后心音信号提取2个时域特征和7个多重分形特征参数,并且检测运动前后血清c Tn I含量。结果表明,3天高强度运动后即刻出现运动性心功能代偿,经休息,HR显著降低,D/S略升高,且心音信号多重分形程度增强,复杂度增强,从而说明间歇性负重越野跑实验后,人体心脏储备能力有增强的趋势。第四,基于机器学习实现运动后心脏生理状态识别。采用支持向量机（support vector machine,SVM）、极限学习机（eatremely learning machine,ELM）和核极限学习机（kernel extreme learning machine,KELM）3种机器学习方法对运动前和运动后即刻的心音信号进行分类识别。通过准确率确定SVM和KELM的最佳核函数以及ELM的激活函数,采用网格搜索法选取3种机器学习算法的最优参数,通过对比发现KELM分类模型的准确率、精确率、召回率、F1值最高,分别达到93.94%,98.21%,88.71%和93.22%,且训练耗时最短,故最适合用于运动前和运动后心音信号的分类识别,从而实现运动后心脏生理状态的识别。