降低出生缺陷、提高人口质量是事关人口素质的大事,孕妇围产期的监护至关重要。胎心宫缩监护（Cardiotocography,CTG）是临床评估胎儿健康状况的主流监测手段,主要依靠医生判读纸质胎心率（Fetal Heart Rate,FHR）记录图形给出诊断结果,准确性依赖于医生的临床经验和能力水平,普遍存在准确度与一致性不理想等问题,胎心率信号的智能分析技术在临床上具有重要的应用前景。本文研究孕晚期胎心率信号的智能分析技术,实现胎儿健康状态的智能评估。首先,提出基于集成学习的缺失值填补算法,恢复缺失的胎心率信号段;然后,提取不同特征域下的特征参数并优化,构建基于决策树的诊断模型,实现FHR信号的分类;最后,构建基于递归图和迁移学习的胎心率分类模型,实现无需特征的FHR信号智能诊断。本文的主要研究工作如下:1.提出了基于集成学习的胎心率缺失值填补算法。首先,以最小二乘提升算法搭建集成学习模型,通过训练待填补FHR信号,获取相关的波形数据,并填补缺失段;然后,定性和定量分析单段和多段缺失时,三种算法（本章算法、基于字典学习与稀疏编码的FHR缺失值填补算法和基于均值填补的FHR缺失值填补算法）在信号上升段、平稳段以及下降段的填补性能。2.提出了基于改进决策树的胎心率分类算法。首先,提取不同域的特征参数并归一化;然后,采用递归特征消除选取最佳特征数目和最优特征子集;最后,提出基于网格搜索法优化的决策树模型,对决策树中常用的模型参数进行寻优并使用优化后的决策树模型实现FHR信号的分类任务。本文所提算法实现的准确率、灵敏度和特异度分别高达97.5%、94%、100%。3.提出了基于递归图和迁移学习的胎心率分类算法。首先,将一维胎心率信号转化为二维递归图;然后,构建浅层卷积神经网络、基于Alex Net和Google Net的两种迁移学习模型,分别标记为self＿CNN＿01、Alex Net＿01和Google Net＿01。采用CTU-UHB1中的80组数据和100组正常数据进行性能评估,结果表明:Google Net＿01的分类性能最佳,分别实现了95.62%和98.75%的准确率。本文提出的孕晚期胎心率信号研究,在CTU-UHB1数据库上实现了较高的分类准确率,对胎儿在孕妇宫内健康状况的判别具有一定的辅助诊断价值。