准确诊断心肺系统疾病的病情和针对病情采取有效的治疗手段是心肺病患者早日康复的保障,而心肺系统病症的准确诊断依赖其生理信号的准确表征。临床中,检查心肺系统生理特性的手段有心电图、胸透、心肺音听诊等,因为心肺音信号包含了比较全面心血管和心肺系统的病理信息,而且相对于其他诊断手段更加便捷,诊断效率也比较高,所以听诊心肺音是临床应用中心血管疾病和呼吸系统疾病的主要诊断手段。临床听诊过程中,通过听诊器采集到的心音和肺音信号通常是带有背景噪声的两者的混合信号,在医生听诊心音信号过程中会受到肺音信号的干扰,而在对肺音信号进行诊断的时候心音信号反过来又会干扰到肺音信号。除了两者之间互相干扰外,室内外杂音等也是医生准确诊断心肺疾病的阻碍。为了克服以上困难,最关键的技术是混合信号的分离,于是本文利用了非负矩阵分解理论设计的分离方案,长短期记忆网络与隐马尔科夫模型结合的分割分离方案对心肺音混合信号进行分离,主要内容如下:1)研究如何应用非负矩阵分解技术来分离单通道心肺音混合信号。在分析现有非负矩阵分解算法的基础上,我们结合非负矩阵分解算法和自回归模型提出了一种新的非负矩阵分解算法,并将这种方法命名为自回归正则化非负矩阵分解。然后我们利用该方法设计了一个分离方案,从单通道心肺音混合信号中分离出心音和肺音。2)利用基于自回归正则化的非负矩阵分解的分离方法实现心肺音分离的仿真实验,结合必要的仿真代码以及实验的真实数据,比较完整的体现了整个实验过程。而且对实验数据进行了有效的分析,通过实验结果以及对比分析证明了提出的方法的优越性。3)研究应用长短期记忆网络和时间持续的隐马尔科夫模型相结合的分割分离方案来进行单通道心肺音混合信号的分离,得到感兴趣的医学信号。在神经网络和深度学习的迅猛发展和广泛应用的背景下,相关人士已经利用各种类型的神经网络进行各领域的应用研究,不乏有人利用其从心肺音混合信号中分离出心音,肺音信号以及背景噪声。另一方面,隐马尔科夫模型的随机过程可以根据时序信号的观测输出进行统计学建模,能对时序信号进行有效分割。而且随着时间持续马尔科夫模型的提出,分割效果根据背景特性得到比较大的提升。我们结合现在信号处理的需求有效的结合两者提出了一个混合信号的分割分离方案。我们利用长短期记忆网络对混合信号进行初步分离(或者理解为去噪),然后将初步分离的感兴趣结果经过时间持续马尔科夫模型进行信号分割得到感兴趣信号的不同子状态序列。接着我们分割得到对子状态序列进行各子状态的长短期记忆网络细节局部去噪,去噪后按照生理信号的特征将各子状态拼接成完整的第一次处理的后信号。接下来循环迭代完整信号分离——感兴趣信号分割——子状态局部细节去噪——拼接这个过程,当满足一定终止条件时输出感兴趣信号,从混合信号中分离出了感兴趣的信号。4)利用提出的长短期记忆网络和时间持续的隐马尔科夫模型相结合的分割分离方案进行心肺音信号分离的仿真实验。仿真实验中体现了长短期记忆网络的分离过程和时间持续的隐马尔科夫模型的分割过程相互促进,相互影响,使得分离和分割效果都有所提升。然后对整个仿真实验的结果进行了分析,证明了提出的方法的可行性和优越性。