心音信号的分割与分类研究是心音信号的研究热点。一方面,通过对心音信号的分割可以获得其各个状态的信息,对心脏的健康状况作出初步评估;另一方面,针对心音信号分类的研究,分割是分类研究的重要突破口。隐半马尔科夫模型（Hidden Semi-Markov Model,HSMM）是一种常用于心音分割的模型,但该方法需要加入了各个状态的预测时间,且在长周期和不规律窦性心律的情况下会出现错误。深度学习的方法直接利用网络结构从心音信号本身或心音信号提取的特征中学习能够最小化分割错误的声音特征,进而完成对心音的分割。本课题针对心音信号的研究,开展了心音分割与分类的相关工作,主要如下:（1）我们分析了心音信号的生理机制与时频域特性,通过滤波、尖峰消除,提取包络以及扩充数据的方法,将单通道的心音数据转变成了四通道的数据,为进一步分析处理奠定基础。（2）开展了基于卷积神经网络（Convolutional Neural Network,CNN）的U-net模型在公开数据集上792例心音分割的研究,并使用临床采集的121例数据测试模型性能。通过优化模型,在公开数据集上得到了实现良好分割性能的U-net分割模型,其中,PA为0.994,CPA为[0.986 0.993 0.994 0.996],MPA为0.992;进一步将该U-net模型应用于临床采集的数据,得到了PA为0.863,CPA为[0.9090.774 0.818 0.912],MPA为0.853的分割结果。（3）开展了心音分类的研究,包括正常异常的分类和不同疾病的分类。首先使用U-net模型实现数据集心音的分割;然后在公开301例数据集上使用Adaboost集成分类器、基于CNN的分类器以及基于CNN-长短记忆网络（Long Short-Term Memor,LSTM）的分类器进行研究,筛选出性能表现良好的CNN-LSTM模型,其结果如下:Acc为0.806,Se为0.809,Sp为0.802,F1分数为0.807;进一步地,将该模型应用于另一有不同疾病类别的公开1000例数据中,实现正常异常的分类,得到Acc为0.920,Se为1.0,Sp为0.90,F1分数为0.990的分类效果;最后,在该数据集上使用该模型开展了不同疾病的分类,得到主动脉瓣狭窄阳性预测值为0.864,二尖瓣关闭不全阳性预测值为0.850,二尖瓣狭窄阳性预测值为0.750,收缩期杂音阳性预测值为0.793的分类结果。研究表明,基于U-net的心音分割算法结合CNN-LSTM的心音分类算法在心音信号的研究中可以表现出良好的性能。