Wie gesagt, erstens mal musst du irgendwie zu den Sounddaten kommen. Von Hand geht das über die Windows API und mmsystem.pas. Die Bedienung ist aber etwas mühsam; da würde ich etwas Fertiges nehmen.
Wegen der Frequenzanalyse - da gibt es mehrere Möglichkeiten: Entweder du machst es über die Theorie der "digitalen Signalverarbeitung" und gehst über den FFT Algorithmus. Da gibt es dann aber einige Sachen zu beachten, damit du ein korrektes Resultat erhältst (Stichwort Annahme der Periodizität).
Wenn dir das etwas "zu hohe Mathematik" ist (da kommen immerhin komplexe Integrale vor; Faltungen von Funktionen, etc..) dann kannst du's auch "direkt" und ohne FFT machen. Das ist jedoch langsamer und du kriegst u.U. gewisse Artefakte ins Resultat rein.
Zuerst mal zur "naiven" Methode: Ich gehe jetzt davon aus, dass du die Sounddaten irgendwie zur Verfügung gestellt bekommst. Du hast also ein array of real mit Sounddaten (die Zahlen (Amplituden) seien von -1 bis 1 normiert). Um herauszufinden, wie viel Energie einer gewissen Frequenz in den Sounddaten steckt, bildest du ein funktionales Skalarprodukt von Sounddaten und gesuchter Schwingung. Und zwar einmal mit dem Cosinus und einmal mit dem Sinus der entsprechenden Frequenz. Du multiplizierst also jede Stelle des Soundarrays mit der entsprechenden Stelle des Sinus/Cosinus, und zählst alle diese Zahlen zusammen. Danach quadrierst du die beiden Werte (der eine vom Cosinus und der andere vom Sinus) und summierst wiederum diese beiden Werte. Dieses Resultat ist dann proportional zur Energie der entsprechenden Frequenz. Das ganze müsstest du dann für jede Frequenz durchführen, die bei DTMF vorkommt; ich glaube es sind 7 Töne: 4 vertikal und 3 horizontal. Die werden ja dann gemischt...
Wieso das so funktioniert könnte ich auch mal versuchen zu erklären, müsste dann aber glaube ich ziemlich weit ausholen (Stichwort Lineare Algebra, orthogonale Basis)....
Mit FFT geht das ganze aber viel einfacher. Aus der FFT lassen sich direkt alle vorhandenen Frequenzen aus den Sounddaten extrahieren. Das ist so quasi etwas wie der "Specturm analyzer" von Winamp. Die Theorie dahinter ist jedoch etwas komplizierter.