心音是診斷心血管疾病常用的醫學信號之一。本文對心音正常/異常的二分類問題進行了研究，提出了一種基于極限梯度提升（XGBoost）和深度神經網絡共同決策的心音分類算法，實現了對特征的選擇和模型準確率的進一步提升。首先，本文對預處理后的心音信號進行心音分割，在此基礎上提取了 5 個大類的特征，前 4 類特征采用遞歸特征消除法進行特征選擇，作為 XGBoost 分類器的輸入，最后一類為梅爾頻率倒譜系數（MFCC），作為長短時記憶網絡（LSTM）的輸入。考慮到數據集的不平衡性，本文在兩種分類器中皆使用了加權改進的方法。最后采用異質集成決策方法得到預測結果。將本文所提心音分類算法應用于 PhysioNet 網站在 2016 年發起的 PhysioNet 心臟病學挑戰賽（CINC）所用公開心音數據庫，以測試靈敏度、特異性、修正后的準確率以及 F 得分，結果分別為 93%、89.4%、91.2%、91.3%，通過與其他研究者應用機器學習、卷積神經網絡（CNN）等方法的結果比較，在準確率和靈敏度上有明顯提高，證明了本文方法能有效地提高心音信號分類的準確性，在部分心血管疾病的臨床輔助診斷應用中有很大的潛力。