心血管疾病是全球范围内高致病率和致死率的主要原因。特别是小儿先天性心脏病,为家庭与社会都带来了巨大的不幸与深重的负担,及早地对心血管疾病的发现与治疗十分有必要。心音听诊作为一种有效的非侵入式方法能够方便、快捷地了解到心脏的健康状况,对心血管疾病而言是一种重要的初步诊断手段。然而,医生听诊存在一定的主观性,且需要大量的临床经验才能够有效地进行诊断。而计算机辅助的心音分析方法凭借其客观性与有效性,已成为了当前研究者关注的重要领域。由于心音数据规模与质量的限制,以前的心音分析方法主要是基于传统的手工特征提取与机器学习的方式。但由于心音的复杂性与外界噪音的干扰,在实际应用中很难取得进一步的提升。在PhysioNet/CinC 2016数据集公布之后,虽然有一些基于深度学习的方法涌现。然而由于其结构过于简单,存在效果不佳和参数消耗过多等问题,难以应用于手机、智能可穿戴设备等资源受限的应用中。针对以上问题,本文主要从心音数据和用于心音诊断的深度卷积神经网络模型两个角度展开研究,主要研究内容如下:1.构建小儿心音公开数据集。通过研究心音产生的机理和特点、整理现有的心音公开数据集,针对成人和小儿心音的差异性与小儿心音公开数据集未见报道等问题,本文采集并整理了528条小儿心音记录,并利用超声心动图对其进行标注,还通过人工裁剪的方式去除心音中的无关杂音,最终使得基于深度学习的小儿心音诊断成为可能。2.提出了基于一维深度卷积神经网络的心音智能分析方法对心音正常、异常进行诊断。针对当前方法准确性不足、消耗参数过多等原因,从特征重用、注意力机制、特征图解耦等角度出发,提出了基于一维DenseNet的深度卷积神经网络与基于一维CliqueNet的深度卷积神经网络用于心音诊断。在PhysioNet/CinC 2016与自建小儿心音公开数据集上的实验表明,所提出两种神经网络在保持轻量级的基础上,还具有较高的心音诊断能力。此外,论文也针对深度学习模型在心音诊断任务上的可解释性上进行了一定的探索。