先天性心脏病相关肺动脉高压（Congenital heart disease-associated pulmonary arterial hypertension,CHD-PAH）的初期症状不明显,不易发现,且致死率极高。临床确诊需要借助介入式的右心导管术检查,该检查需要专门设备,风险大、难度高,不便在大规模筛查中实施。因此目前仍存在及时、及早诊断的困难。心音是心脏收缩舒张时产生的声音,其反映了心脏瓣膜、腔室的运作是否正常。基于对心音信号的分析,实现无创、便携的CHD-PAH及时诊断,有望减少确诊延迟,提高CHD-PAH患者的生存率。传统对心音的研究多数是针对心音中正常和异常的分类,并取得较好的分类结果,但缺少针对CHD-PAH的分类。本文共选取483名患者的心音信号,其中正常161例,先天性心脏病（Congenital Heart disease,CHD）患者161例,CHDPAH患者161例。每位患者采用临床听诊的五点采样法收集心音信号。并对三类心音在时间维度,频率维度,及更高维度的深度特征进行分析及研究,提出一种包含时域特征、频域特征、以及深度学习特征的融合特征,并最终实现了对心音信号的三分类。本文首先对原始心音进行预处理,采用双阈值自适应分割方法,将20s长的信号首先分割成以心动周期为单位的若干信号。其次对每一个心动周期及S2分量提取其对应时域特征,频域特征。再求取每个心动周期的去离散化归一化功率谱倒谱系数,将一维心音信号转换为大小为34*34的二维特征图,经过卷积神经网络（CNN）的隐藏层提取特征图的深度特征。将上述特征合并成为一个特征融合向量,再对其做分类识别。最后本文对k-NN、Ada Boost、v-SVM和XGBoost等分类网络进行对比。结果显示,XGBoost相较于其他三种算法具有更好的分类结果。考虑每例20秒心音样本可以分割单个心音以获得20到33个心动周期,这意味着每例样本可以获得多个分类结果。多数投票算法可优化最佳分类结果,避免了单个周期的偶然性对分类结果的影响。本文第一个阶段对CHD和CHD-PAH做了二分类,在研究过程中的,其对探索特征提取和分类器的选择起了重要作用。而后在数据集中引入正常心音信号,最终实现对心音正常、CHD和CHD-PAH的三分类。本文使用这种方法,可以达到二分类的准确度89.02%,三分类的准确度88.61%。与现有研究相比,本文提出的方法在非介入式CHD-PAH机器辅助诊断中具有良好的应用前景,为CHD-PAH的及早诊断有积极的意义。