近年来,心血管疾病(CVD)严重危害到人们的身心健康。心音携带了人体维持心脏正常运作的各种信息,因此心音信号的分析对于CVD的预防和诊断具有重要的意义。传统的心音诊断方法为人工听诊,但存在一定的主观性和局限性因此准确度不高。若能研究出一套算法对心音信号进行分析最后自动分类,将能够辅助医生对疾病作出判断。结合这个需要,本文主要研究了以下几方面的内容。对心音信号进行去噪处理。为有效去除心音信号中混入的噪音,设计了一种改进的小波阈值去噪算法。选取db6作为小波基函数,分解层数为5层,保留有用的分解层系数,同时将其余层的系数置零。此外,设计了一种新的自适应阈值估计法和阈值函数,引入参数m反映信号中的噪声水平,根据其自适应估计阈值,使用新阈值函数对系数阈值化处理后进行信号重构。在不同类型噪音的不同噪声强度下,分别使用软阈值、硬阈值和新阈值函数对心音信号进行去噪处理,实验结果表明,所设计的算法去噪效果最好。对心音信号进行特征提取。选取短时能量、短时平均过零率与短时自相关函数作为3个时域特征。使用Mel频率倒谱系数(MFCC)法提取12维MFCC参数作为12个频域特征。通过希尔伯特黄变换(HHT)得到心音的瞬时频率,并提取其均值和标准差作为2个频域特征。将这17个时频特征混合作为心音信号的特征向量,同时作为后期心音分类器的输入,多特征参数混合法能够提高分类准确率。对心音信号进行分类识别。采用BP神经网络作为分类器,设计了一种改进的粒子群优化改进的BP神经网络(PSO-BP)算法。针对传统BP神经网络易陷入局部极小值等问题,通过增加动量项和自适应调节学习率进行改进。针对传统PSO算法早熟收敛、收敛速度慢等问题,对PSO的惯性权重、学习因子以及收敛精度三个方面进行改进。最后利用改进的PSO算法优化改进的BP神经网络的初始权值和阈值,得到改进的PSO-BP神经网络。分别使用传统的BP网络、改进的BP网络和改进的PSO-BP网络对心音信号进行分类识别,实验结果表明,所设计的算法收敛速度最快且训练时间最短,分类效果最好。