心音诊断信息是心音中可用于诊断个体心脏或身体其他部分病理情况的信息。由于在临床听诊时,医生只能对病人当时的心脏跳动情况进行分析,极易因病人当时的情绪、身体动作等引起心脏跳动方式的改变而产生误判。因此,长时间记录的心音信号已受到重视。但对于长时间心音信号的识别,其工作量无疑是巨大的。考虑到机器学习以及深度学习算法的优良特性,本论文将深度学习算法、机器学习算法与心音诊断进行结合,研究了高效识别异常心音的过程和方法,主要研究内容包括:首先,为了研究深度学习网络对心音信号的识别,将心音信号转为二维图像,利用深度学习网络进行训练建模。图像的转换涉及两种方法,一种是常见的语谱图格式,另一种是MFCC(Mel-frequency Cepstrum Coefficient，MFCC)特征图格式。其次,针对图片数据进行网络的搭建以及相关参数的调整,直接利用卷积神经网络对这两种格式的图片进行分类。进一步地,通过抓取网络中部分层次提取的特征,并使用机器学习分类器对提取的特征数据进行训练、分类,对比分析实验结果。接下来,为了进一步提高对心音的识别能力,选择对心音信号进行多特征的提取。为了避免由于心音信号的不正确分割而导致后续处理过程的性能受到影响,本论文选择不对心音信号进行周期性的分割。因心音信号是非平稳信号,选择只对心音信号进行常规的分帧操作,以保证每一帧信号近似为平稳信号便于处理。对每一帧信号提取6种特征参数,共18维。利用机器学习分类器对特征数据进行分类识别,并进行多组对比实验,通过对比多个评估指标,选择出了在本论文所选用的数据集上表现最优的模型XGBoost。最后,根据信号特征的数据分布特性,将特征进行分开处理,使用高斯混合模型对MFCC特征进行处理,将处理后的结果作为MFCC特征数据的权重,并与非MFCC特征组合,得出了本论文实验结果中的最佳实验结果。