針對心音信號非平穩性、非線性的特征，為了更直觀地把心音信號的特征顯示出來，提高分類識別的高效性，提出了一種自適應噪聲完備經驗模態分解（CEEMDAN）排列熵作為心音信號的特征向量，通過支持向量機（SVM）進行心音分類識別的方法。首先，將原始心音信號進行CEEMDAN，得到若干從高頻到低頻的模態分量（IMF）。其次，利用IMF分量與原始信號的相關系數、能量因子和信噪比來優選IMF做Hilbert變換，得到分量信號的瞬時頻率，再計算各IMF排列熵值組成特征向量。最后，將特征向量輸入SVM二分類器進行正常與異常心音信號的分類識別。對源自2016年PhysioNet/CinC挑戰賽的100例心音樣本進行正常與異常的分類，準確度達到87%。研究表明本文方法相比于常用的EMD和EEMD排列熵的方法準確度提高了18%～24%，可見，CEEMDAN排列熵結合SVM的方法能夠有效識別正常和異常心音。