心音信号分析在心血管疾病的临床检测及体检中起着重要的作用。心音信号分析中最常用的方法为自动分析技术,主要包括降噪、分割、特征提取及分类等核心步骤。本文对心音自动分析技术进行了分析,并对存在的难点进行了深入研究,主要工作可概括如下:(1)在降噪算法的研究中,本文首先研究了基于小波的降噪方法,并提出了一种基于coif-5的小波自适应降噪方法。然而,实际中的噪声往往具备非平稳、混沌等特性,心音小波系数大于噪声小波系数的理论并不完全严格,且基于小波降噪方法无法追踪噪声变化,在长时采集心音中提取的阈值参数易出现错误。因此,本文进一步提出了一种融合改进最小值控制递归平均和最优修正对数谱幅度估计的心音降噪方法,采用短时窗平滑动态追踪及估计噪声最小值,通过最小化干净心音与估计的干净心音的差异来最大限度的抑制噪声。实验结果验证了提出算法的有效性。(2)本文对阈值分割和基于隐马尔可夫模型的方法进行了研究。阈值分割的优点是算法复杂度低,在高实时性处理系统中更适用。本文提出了一种基于非平稳系统辨识原理的包络提取新方法,通过心音短时平稳性强于噪声短时平稳性的特点,顺序辨识心音帧的非平稳相关性,从而获得更有效的特征包络。然而,阈值分割精度往往随信噪比降低而降低,故进一步提出了一种基于个性化高斯混合模型和时间相关的隐马尔可夫模型,通过高斯混合模型来约束隐马尔可夫模型。为了避免时域特征模糊造成分割成分的判别错误,采用卷积神经网络对基础心音Mel频率倒谱系数的优化特征进行分类,优先判别出S1和S2分割段,再明确心动周期其余成分。最终,提出算法在Challenge 2016测试数据集下获得了92.93%的分割精度,较现阶段的其他算法效果更好。(3)心音分类是分析系统的最终目的,本文主要研究正常与异常心音分类。本文提出了一种基于多特征融合的非线性径向基支持向量机心音分类方法。其中,采用Challenge2016数据集构建训练集与测试集,采用和鲸社区上载数据作为验证集,提取各心音记录的时域时长、幅度、能量、频谱以及峰度等420维特征,采用主成分分析进行降维获得271维主要特征。在非线性径向基支持向量机下测试集准确率为82.39%,验证集准确率为80.44%,测试集灵敏度与特异性总体得分为0.8629。