心音和呼吸音是反映心脏和肺部生理及病理的一项重要指标,目前对心音和呼吸音的听诊仍然是心脑血管和呼吸系统疾病的主要诊断手段。但是这些声信号对于人耳听诊而言,声波太复杂。传统听诊器难以捕捉一些微弱的生理声音信号且诊断结果容易受听诊者主观经验的影响,因而准确性较差。因此临床上需要建立一种能准确高效的记录、储存、显示和进行纵向与横向客观比较的心肺音分析与识别系统,以便让临床医生在听诊的同时能对病人的病变做出更加准确的判断。如果能深入分析出心肺音中所包含的病变信息,就可有效利用简单的听诊技术早期发现疾病,大幅度降低复杂检查所需的医疗费用,具有广泛的应用前景。本毕业设计提出运用希尔伯特黄变换等数字信号处理算法对声音信号进行分析处理,将声音的时频特性以图形形式表示出来,变听诊为视诊,并使用经验模式分解提取出一种新的特征参数供模式识别使用,通过神经网络实现初步的自动诊断。论文介绍了现代数字信号处理中时频分析技术和神经网络算法,并详细阐述了其应用于心音呼吸音的信号采集、数字滤波、包络提取、自动分段、时频域分析和神经网络模式识别等功能的完整实现。