近年来,心血管疾病已成为威胁人类生命健康的头号杀手,而心力衰竭（Heart failure,HF,简称心衰）是各种心血管疾病终末阶段所表现出的一种复杂的临床综合征,病死率和患病率均处于较高水平。美国心脏病学学会和美国心脏协会（ACC/AHA）根据心衰临床症状及心脏功能结构变化将心衰划分为A、B、C、D四个分期。对不同分期的心衰患者进行诊断、治疗和预防可以有效改善患者预后并延缓心衰恶化。然而目前临床上对心衰的检测仍然存在诊断滞后、价格高昂等问题,缺乏一种客观准确的心衰分期手段。心音作为重要的生理信号之一,能及时反映心脏及大血管的机械运动状况,并在患者尚未发展到出现心衰症状或心电异常时发生畸变,其特征变化与心衰的发展存在一定程度的联系。因此心音信号检测可为临床上心衰分期诊断提供有效的辅助。本课题在深入研究心音与心衰关系的基础上,利用心音的时频特性和非线性特性对心音进行熵特征提取,再通过统计学分析选择特征值组成特征向量实现心衰的分期识别。首先,本文介绍了心音与心衰的相关理论基础,并对心音与心衰分期之间的关系做了详细的阐释。由于心音是一种易受干扰的不稳定时频信号,本文采用降采样、归一化和小波去噪实现信号的预处理,并利用单一变量原则选择四组实验确定最优小波去噪参数,包括:分解层数、阈值函数、小波基和阈值。预处理之后,为了反映患者心音特征在频域上分布的无序性,本文将小波包变换与香农信息熵结合,分别从能量谱、奇异值、功率谱三个角度进行心音频域熵的特征提取,包括小波包能量熵（WPEE）、小波包奇异熵（WPSE）和子频带功率谱熵（SPSE₁^SPSE₈）。结果显示:WPEE、WPSE和SPSE₁在心衰A^D期间逐渐升高,表明随着心衰的发展,心音信号特征在频域上分布的无序性升高,频域信息更加紊乱。为了反映患者心音信号的时间序列复杂性,本文提取到心音样本熵（SampEn）。结果显示:SampEn在心衰发展过程中呈递减趋势,其时间序列的不规则程度与心衰严重程度成反比。通过统计学分析,WPEE、WPSE和SPSE₁三个特征值在各组之间均具有显著性差异,表明这三个指标可以有效反映不同心衰分期患者在心音频域特征上的差异性,其余特征不具备此特性。为了实现心衰的分期识别,本文选择具有统计学意义的三个特征值WPEE、WPSE和SPSE₁组成特征向量分别输入到基于人工神经网络、K-最近邻、决策树和支持向量机（SVM）的心衰分期模型中进行心衰分期识别,调整分类器参数使其达到最佳分期效果。然后采用80例正常心音样本以及48例心衰A期、48例心衰B期、56例心衰C期和48例心衰D期心音样本进行实验验证。结果显示:基于径向基核函数的SVM分期模型的分期准确率最高,达到89.29%。由于惩罚因子和核函数参数是影响SVM分类性能的关键因素,而利用穷举法进行最优参数选择耗时长,准确率不高,因此本文引入了遗传算法（GA）和粒子群算法（PSO）进行惩罚因子及核参数的参数寻优。结果显示:基于GA-SVM的参数寻优获得91.43%的最高分期准确率,表明该方法优于PSO-SVM。