近些年来,人类生活方式的各个方面都在不断变化,心血管疾病的引发和死亡占全球比率居高不下,这对人类的健康造成严重威胁.心脏的机械振动所产生的声音称为心音,器质性心脏病出现的早期就伴随着心音的改变和心杂音的出现,因此心音与心血管疾病息息相关.在过去的几十年里,心音信号分析在临床应用中被广泛学习研究.作为一种生理信号,心音信号在采集过程中易受各种环境噪声和设备噪声的影响,因此,心音信号去噪始终是一个热度不断的研究话题.另外,心音信号的分割过程在心音信号的分析中占有重要的地位,然而由于心音信号的非平稳特性和易受噪声干扰的特点,心音分割长久以来始终是一个难题,值得欣慰的是,已有文献表明,精确地分割心音信号的周期并非是心音识别的必要条件,从心音信号中提取符合生理和病理本质的特征参数才是心音识别的关键步骤.基于此,本文主要做了以下工作:针对心音信号去噪,首先采用巴特沃斯带通滤波进行初步去噪,然后根据部分较难去除的噪声频谱与心音信号频谱有重叠的特点,本文提出了一种基于小波包分解的迭代阈值心音信号去噪算法,该算法应用小波包分解和迭代重构相结合,且在每次迭代过程中自适应的选择去噪阈值,通过迭代不断地滤除噪声,从而得到纯净的心音信号.实验对比得到该方法去噪效果比小波迭代去噪算法去噪效果更优.针对无分割心音分类研究,本文将固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)应用于心音信号分析,提取心音信号中所蕴含的不同频率成分,同时使用改进的Mel频率倒谱系数(Mel Frequency Cepstrum Cofficient,MFCC)提取这些频率成分中的特征参数.最后,选择适合处理时序信号问题的长短时记忆网络(Long Short Term Memory Network,LSTM)分类器模型进行心音的分类识别.最终实验表明,本文所提取的特征获得的识别率优于其他特征参数获得的识别率.