心音是血液在心血管内流动时,产生的各种机械振动之和,具有振幅、周期等特征要素。通常心音信号的振动频率在20Hz到800Hz之间,是我们人耳能够听到的范围之内。由于心音产生的机制,心音信号携带了大量的关于心血管健康情况的信息,在临床上,心音是用来评估心脏功能的主要信息来源。随着物联网,5G技术的诞生,移动医疗和智能医疗也相应的得到了快速发展,人们对数据的要求也逐渐提高,需要处理的数据量也逐渐增多,不仅仅是要求数据准确,而且还需要更快更高效存储。对数据进行压缩,降低传输的数据量,减少通信的消耗是今后能否进行大规模数据共享的重要方向之一。在心音信号需要实时传输时,要尽可能的减少延迟,提高压缩的效率,并且因为心音信号是辅诊断的,所以它的准确性求也非常高,也就是对压缩重建后的失真度要求比较高。类似于心音的其它医学信号或图像压缩也存在相同的问题,本文仅以心音作为一种新的压缩感知与智能重建方法一个尝试性研究的开端。在此背景下,本文主要应用两种新方法来实现信号压缩的实践:1)一种新的信号分解和重建的方法——离散卷积多小波变换（DCWT）。2)在K均值聚类的基础上改进的聚类方法——基于相关性的聚类方法。离散卷积多小波变换可以对信号进行实时的分解和重建,原理简单,不需要特别复杂的数学理论基础,只需要找到满足重建的必要条件以及滤波器数量和支撑长度的适当选择,就可以得到一个简单的信号处理分解和重建的技术框架。而基于相关性的聚类算法,则解决了,传统K均值聚类算法,对于异常点敏感以及聚类类别数k值选择比较难的问题,能够很好的将信号进行离散卷积多小波分解后进行聚类,把聚类后的信号最后进行量化,每一个类分配较小甚至超级少的比特率,来达到对心音信号压缩并且可以重建回去的目的。这是一种新的压缩感知方法,通过对心音特征值的选择性聚类,每个类只需要存储类的标签或某些量化特征,从而达到对心音信号进行压缩和重建的目的。为了能够在重建之后,取得更好的效果,再利用全变差滤波的思想,对经过有损压缩的心音信号进行智能恢复重建。本文主要创新在于利用DCWT信号分解重建方法与聚类方法,构建了一种新的信号压缩重建方法,因此也全面介绍了DCWT的主要技术框架、相关聚类方法、量化编码、全变差滤波等技术实现的细节。