认知是人类的一项基本能力,而且婴儿期内的认知发育对人一生的影响非常重大。在常规的诊断中,儿科医生使用临床观察或医学影像等技术来评估婴儿当前的认知发育（cognitive development,CD）状况。但是,儿科医生更想要预测到他们未来的CD状况,这是因为婴儿的大脑具有高度的可塑性,具有高风险CD障碍的婴儿可以通过早期筛查发现得到最大程度的恢复治疗。但是在过去很多年,智能预测婴儿未来的CD状况的研究并没有出现。幸运的是,最近的一些研究表明,在年龄3到4个月的婴儿的全身运动（general movement,GM）中,可以反应出婴儿未来的CD状况。因此,本文在这些研究的基础上,结合人工智能,来实现基于GM对婴儿CD障碍风险的智能预测。本文使用的数据集最终总共收集到了44名婴儿,其中包含了他们在3到4个月时的GM视频,和他们在1岁左右时,他们的CD状况的评估分数,评估量表是贝利婴幼儿发育量表第2版。OpenPose模型在人体姿态估计领域广为人知。但由于成人和婴儿的体型差距过大,OpenPose模型预测婴儿姿态信息时误差很大。本文使用自己标注的婴儿姿态数据集重新训练了OpenPose模型。重新训练后的OpenPose模型比原来的OpenPose模型在预测婴儿关节点位置的平均准确度上要高4.4%（以PCKh@0.50为评价指标）,这有助于提取更准确的婴儿关节点位置。本文使用适合婴儿的OpenPose模型提取了婴儿的关节位置信息,从对称的双关节的位置信息中提取出了双侧运动对称性（bilateral movement symmetry,BMS）特征。然后根据婴儿1岁时的认知分数把他们分为CD正常和有高风险CD障碍这两组。最后,以婴儿认知分数的分组结果为金标准,把提取出的BMS特征投入了8种不同的分类器中进行二分类预测。结果部分在精准度（Precision）、召回率（Recall）和AUC上分别取得了最高值0.842、0.842和0.861的好成绩,它证明了通过GM对婴儿未来的CD状况进行智能预测的可能性。并且,本文提出的方法可以帮助医生在临床上更好地了解婴儿的发育机制,也为医生提供了能早期筛查出具有高风险CD障碍婴儿的一种经济、便携和无创的方法。除此之外,本文提供了一个全新的视角来看待婴儿的发育,例如他的运动和认知功能之间是密切相关的,不是相互独立的。