سیگنال صوتی تولید شده ناشی از فعالیت مکانیکی قلب، اطلاعات مفیدی در رابطه با عملکرد دریچه های قلبی فراهم می کند. از این رو، گوش کردن به قلب از دیر باز روش متداولی در ارزیابی سیستم قلب-عروقی بوده است. از مزایای این روش می توان به سریع، ارزان و غیر تهاجمی بودن آن اشاره کرد. متاسفانه به دلیل محدودیت شنوایی انسان و نیز ماهیت گذرا و غیر ایستان صدا های قلب (pcg)، تشخیص بر مبنای صدا های شنیده شده از طریق گوشی پزشکی کار دشواری بوده و نیاز به تمرین و تکرار زیادی دارد. بنابراین، ارائه روشی جهت تشخیص خودکار این ناهنجاری ها با تحلیل صدا های قلبی ضبط شده از طریق گوشی پزشکی می تواند بسیار مفید واقع شود. هدف از انجام این تحقیق، آشکارسازی سوفل های سیستولیک که از شایعترین صدا های اضافی قلب هستند، می باشد. بدلیل محتوای تشخیصی بالای سوفل ها در هر دو حوزه زمان و فرکانس، تبدیلات زمان-فرکانس مناسبترین روش برای پردازش این صدا های غیر طبیعی بشمار می روند. ما دراین تحقیق یکی از تکنیک های پردازشی زمان-فرکانس رایج در آنالیز صوت یعنی روش ضرایب کپستروم فرکانس مل (mfcc) را در کنار پردازش های تخمین طیف توان و تبدیل موجک برای استخراج ویژگی بکار گرفته ایم. این روش با نگاشت سیگنال به فضای مبتنی بر فرکانس مل ویژگی های آکوستیکی سیگنال را استخراج می کند. طبقه بندی در دو حالت، حالت اول دسته بندی کلاس سالم و نا سالم و حالت دوم دسته بندی چهار کلاسه بین کلاس سالم و تشخیص نوع بیماری انجام گرفته است. در مرحله ی طبقه بندی نیز برای بررسی تاثیر انتخاب طبقه بند مناسب از چهار طبقه بند مختلف knn، svm، ml و mlp استفاده کرده ایم. برای بهبود نتایج، از روش تلفیق بهترین ترکیب ویژگی و طبقه بند با رویکرد حداکثر آرا بهره جسته ایم. روش پیشنهادی بر روی داده های واقعی کلینیکی صدای قلب متشکل از 40 فرد سالم، 20 فرد مبتلا به بیماری vsd، 21 فرد مبتلا به بیماری ps و 12 فرد مبتلابه بیماری asd مورد ارزیابی قرار گرفته است. با استفاده از الگوریتم پیشنهادی توانستیم به صحت 72/96% در تشخیص صدای سالم و ناسالم و صحت 5/92% در تشخیص صدای سالم و نوع بیماری دست یابیم. روش پیشنهادی ما با سرعت پردازشی مطلوب و سادگی در محاسبات و همچنین دست یابی به صحت قابل مقایسه با کار های مشابه، می تواند در پردازش های آن لاین و سیستم های خودکار بکار گرفته شود.