长久以来,心血管疾病一直是危害人类生命健康的主要疾病之一。随着我国人口老龄化趋势的加重,对心血管疾病的防治形势也变得越来越严峻。心音听诊是对心血管疾病进行诊断的便捷手段之一。传统听诊器的使用需要医师具备丰富的临床经验,且给出的结果也比较主观。随着近年来计算机以及物联网技术的发展,实现一种可自动给出客观听诊结果的电子听诊器成为可能。电子听诊器在实际心音听诊过程中面临三方面问题:心音信号的采集场所复杂,有用信号易受各种背景噪音的污染;心音信号自动分割是后续心音精确自动诊断的前提,但单周期内心音成分具有多样性,导致心音自动分割难以保证鲁棒性;心音自动诊断方法类型繁多,哪类方法最为适宜,尚无定论。因此,本论文以自动识别一种典型的结构性心脏病——主动脉瓣狭窄（Aortic valve Stenosis,AS）为目标,同时考虑背景音干扰、可能的心律不齐（Arrhythmias,ARR）等情况,着手于心音信号预处理、心音自动分割、心音自动诊断三个连续任务开展工作,研究电子听诊器的心音信号自动分析方法。主要工作内容如下:首先,研究心音信号预处理问题。本论文特别专注于背景音干扰的消除,针对背景音在时域与频域上的稀疏性,提出了一种基于频域维纳滤波的背景音消除方法,并在其中加入了失真控制因子,从而可兼顾干扰抑制与信号保真两方面问题。实验结果表明本论文所提出的方法可以在有效抑制背景音干扰的同时,对有用心音信号有较高的保真度。然后,对预处理后的心音信号进行自动分割算法研究。本论文受区域卷积神经网络（Region-based Convolutional Neural Networks,R-CNN）思想启发,提出了 一种基于心音周期完整性判断的自动分割方法。首先用香农熵提取心音的多尺度预选段。之后提取预选段的梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficients,MFCCs）并将其输入到带注意力机制的密集连接卷积网络（DenseNet）中提取深层特征。接着通过分类与回归网络进行完整性判断和位置修正。最后通过非极大值抑制（Non-Maximum Suppression,NMS）算法给出最合适的心音段作为分割结果。在与多种最新方法在多个数据集上的对比结果表明,该方法不仅可以在正常心音数据集上取得了几乎最好的结果,还在AS和ARR的数据集上给出了最佳的完整心音段分割结果。最后,在分割好的心音段基础上,开展了心音自动诊断的研究工作。本论文从传统的基于预设模型的模式分类方法与深度学习方法两个角度出发,分别提出了基于高斯混合模型-隐马尔可夫模型（Gaussian Mixture Model-Hidden Markov Model,GMM-HMM）和基于特征融合的CNN的方法。对比实验的结果表明,两种方法都可以在一定程度上完成AS自动诊断任务,其中在绝大数情况下,CNN相较GMM-HMM都获得了更高的评价指标值,提示了从数据中自动学习未知模型对该问题的重要性,虽然拥有更少参数的GMM-HMM方法在实用中也具有自身的优势。本论文从心音信号预处理、心音自动分割、心音自动诊断三个任务出发展开相应的研究,逐步递进,最终实现了一种以对AS的高效自动诊断为目标的电子听诊器心音信号自动分析系统。本论文所提方法解决问题的思路可以很容易地被推广到其他类型心音的诊断任务中,从而为在电子听诊器上实现心音自动诊断功能提供了稳定可靠的方法论。