心肺音信号中富含有表征心肺系统健康状况的生理和病理信息。临床上,医生通过倾听和分析由听诊器采集到的心音和肺音信号对患者的心肺系统进行诊断。然而,心音和肺音的相互混叠对医生的听诊造成了干扰,降低了听诊的效果。为解决这个问题,在总结前人研究成果的基础上,本文从非负矩阵分解和神经网络技术入手,提出了以下两种新的心肺音分离方法并通过仿真实验验证其有效性:1)采集于不同被试的心肺音信号存在个体差异。若直接利用由其他被试干净的心音和肺音信号所提供的监督信息来对目标被试的心肺音混合信号进行心肺音分离,心肺音分离效果会因为受个体差异的影响而降低。为解决这个问题,本文借鉴迁移学习的思想,提出了一种基于回归迁移非负矩阵分解的心肺音分离方法。本文首先挖掘不同被试者心肺音信号共同的频域信息和时域递归信息,接着将从其他被试者心肺音信号中学习到的跨被试共同频域信息和时域递归信息引入到目标被试者心肺音混合信号时频谱的非负矩阵分解当中,帮助目标被试心音和肺音时频谱成分的学习,然后利用时域k-均值聚类对学习到的时频谱成分进行聚类从而确定心音和肺音的时频谱,最后通过时频掩码和逆短时傅里叶变换重构出心音和肺音的时域信号。我们在自建心肺音数据集和临床心肺音数据集上评估基于回归迁移非负矩阵分解的心肺音分离方法的心肺音分离性能。实验结果表明,基于回归迁移非负矩阵分解的心肺音分离方法取得了优于已有的基于非负矩阵分解的心肺音分离方法的心肺音分离性能,并且能够有效地应用到临床心肺音混合信号上。2)基于非负矩阵分解的心肺音分离方法假设心肺音在时频域上是线性混叠的。然而胸腔内部结构复杂,听诊器在体表采集到的心音和肺音成分在时频域上可能存在非线性混叠,为此,我们设计了一个密集连接LSTM网络来实现心肺音分离。我们利用LSTM网络来处理心肺音成分的非线性混叠,并通过捕捉心肺音成分的时序相关性来加强分离效果,为优化网络中的信息流和提高网络的收敛速度,网络采用了密集连接的网络结构。受心肺音个体差异的影响,网络在训练集和测试集上的隐含层特征分布存在均值和方差漂移。为解决这个问题,我们采用批标准化对网络隐含层特征进行零均值、单位方差规范化以克服均值和方差漂移的情况,从而提高网络的泛化能力。综上,本文提出了一个基于批标准化和密集连接LSTM网络的心肺音分离方法。在自建心肺音数据集上的仿真实验结果表明,基于批标准化和密集连接LSTM网络的心肺音分离方法在心肺音分离任务中切实可行,相较于已有的线性分离方法具有明显优势。