根据相关的医学研究报告,近年来心肺系统疾病越来越成为影响大众身体健康的主要因素之一。心肺音听诊作为一方便快捷且非侵入式的诊断方法,被广泛的使用在心肺系统疾病的诊断中。但在听诊过程中,采集到的心肺音除了会携带各种周围环境的噪声,心音和肺音通常在时频域混叠在一起,因此研究一种可以从混合心肺音中分离出干净的心音、肺音的方法将有助于医生进行更清晰的听诊,作出更准确的诊断。相对于传统人为设计的浅层模型方法,深度神经网络不仅可以自动挖掘数据的潜在特征,而且采用了深层结构,具有比浅层模型更强大的非线性拟合能力,所以本文基于深度神经网络对心肺音分离问题进行研究,研究内容如下:(1)将区分性训练技术应用于心肺音分离,对现有DNN网络的目标函数进行改良。在心肺音分离中,一般用到的目标函数只训练网络识别某信号特征属于哪一类的能力,无法训练网络识别该特征不属于哪一类的能力。针对该问题,本文采用区分性训练的技术对现有DNN网络的目标函数进行改良,通过区分性训练目标函数来训练DNN网络,使得改良后的区分性训练DNN网络同时具备区分特征属于哪一类或不属于哪一类的能力。另外还使用了时频掩码技术来辅助心肺音分离,最后在自建的心肺音数据集上,通过交叉验证对区分性训练DNN网络的分离效果进行测试。实验结果显示:区分性训练DNN网络比起现有的DNN网络在心音和肺音上都增加了0.29d B的信噪比。(2)提出了一种基于多通道LSTM网络的心肺音分离方法。现有的心肺音分离方法常常采用短时傅里叶变换来获得心肺音混合信号时频谱。心肺音是非平稳信号,各时频区域包含的心肺音信号成分不同,需要不同窗长的窗函数来提取信号特征。而时频谱的窗长固定不变,不具备自适应性,只有一种时频分辨率,不能满足这种差异化需求。针对该问题,本文首先将采用不同窗长特征的5个单通道LSTM子网络进行并联,让每个LSTM子网分别提取不同时频分辨率的特征,然后通过一加权向量,融合各个LSTM子网络输出的估计心、肺音时序信号。最后同样是在自建的心肺音数据集上进行交叉验证,实验结果显示:在四组心肺音混合信噪比分别为-5d B、0d B、5d B、10d B的实验中,多通道LSTM网络都取得了比任一LSTM子网更好的分离效果,其中性能增加最少一组中,心音、肺音分别增加了0.37d B,0.29d B;性能增加最多的一组中,心音、肺音分别增加了0.39d B,0.49d B。