心音能够反映心脏的跳动情况,与人体心脏的健康息息相关。作为一种极有价值的生物信号,现已广泛引起中外研究者的注意。而深度学习算法因其在复杂自然环境下,处理大数据时所表现出的优良特性已成为图像、语音识别方面的主流算法。在传统心音信号的识别中,所使用的心音信号多为实验室采集,一般需要对心音进行复杂的预处理,因此为改进针对心音大数据条件下的心音识别技术,本文将深度学习算法与心音识别方法进行结合,提出一种心音深度识别系统。为解决深度学习网络结构选择困难的问题,本文深入探究了深度学习网络的结构特性,提出了一种进程择优法来帮助进行深度学习网络结构的选择。进程择优法可方便、快速的给出深度学习网络的优选范围,经实验验证,此方法在多种数据库下都有良好效果,方法具有一定的普适性。然后本文使用进程择优法构建出一种心音深度学习网络,经验证,经过心音深度学习网络学习后的心音数据的可分度比原数据提高了38.7%。使用心音深度学习网络为核心设计出的心音深度信任网络相比其他结构的深度信任网络拥有更低的误识别率,平均误识别率在10%左右。为进一步提高系统识别率,改进心音深度信任网络的特性,定制出最适合心音深度识别系统的分类器,本文将BP神经网络、KNN分类器等多种分类器的特性进行分析,最终集合BP神经网络与KNN最近邻分类器的优点设计出一种优化的BP神经网络分类器。该分类器有效改善了BP神经网络记忆性较差、训练容易失误的特性。经实验验证,使用改进后的分类器构建出的心音深度识别系统,系统的误识别率相比较普通的心音深度信任网络误识别率下降了1%,且在训练库与测试库数据交叠时会取得更加优良的效果。虽然以上的心音识别系统已达到大数据中实际应用的要求,但相比传统方法识别率仍较低。于是本文参考以往心音识别中的方法,将传统心音的特征融合入心音深度识别系统,对心音进行简单的能量特征提取,将原系统优化为融合心音能量特征的心音深度识别系统。经验证该系统误识别率得到显著下降,误识别率仅为3%左右,可达到传统识别方法所能达到的效果。