胎儿早产是影响新生儿早期发育及生命安全的最主要因素,其直接的临床表现为孕妇孕期宫缩强度和频率的变化。子宫肌电（Electrohysterography,EHG）信号是孕妇妊娠期和临盆时子宫活动的电生理信号,通过孕妇腹部采集而得,能客观的反应子宫收缩状况,在早产诊断中具有良好的应用前景。本文围绕EHG信号的包络提取、小样本生成和早产识别三个方面做了研究,提出了经验模态分解（Empirical Mode Decomposition,EMD）结合Teager能量算子的EHG信号包络提取算法,实现了EHG包络的高效提取;设计了改进的基于梯度惩罚Wasserstein距离生成对抗网络（V Wasserstein generative adversarial network-Gradient Penalty,VWGAN-GP）,解决EHG样本不足的问题;构建了基于Alexnet的卷积神经网络（Convolution Neural Nets,CNN）模型,实现了胎儿早产的有效识别。本文主要工作如下:（1）研发了体表多导联子宫肌电信号采集系统,由8导联柔性电极、采集终端、参考电极、可视化手持终端组成,通过采集终端获得高质量的子宫肌电信号,并在手持终端实现各通道信号的动态显示。（2）提出了EMD结合Teager能量算子的EHG信号包络提取算法。根据EHG信号的波形频谱特征对其进行EMD分解并重构信号,采用三点差分Teager能量算子实现EHG信号的包络提取,与常用EHG信号包络提取方法进行对比,该方法具有较好的宫缩识别准确率。（3）针对现有EHG信号病理样本不足的问题,设计了一种基于GAN的EHG样本生成方法。在DCGAN（Deep Convolution Generative Adversarial Networks）的基础上引入梯度惩罚,在判别器中使用实例归一化代替批归一化,并根据实际任务需求对网络结构和参数进行了修改和调优,构建出基于VWGAN-GP的EHG样本生成算法,生成波形较为清晰的早产和足月产EHG数据。（4）为了有效地识别胎儿早产,构建了基于卷积神经网络的胎儿早产识别模型。首先采用格拉姆差角场（Gramian Angular Difference Field,GADF）把EHG信号转化为二维图像作为CNN的输入,利用迁移学习技术,使用fine-tune优化Alexnet网络参数,采用TermPreterm EHGData Base和VWGAN-GP生成的共228组数据评估模型性能,获得95.21%的准确率和97.34%的F1分数。本文提出的基于卷积神经网络的胎儿早产识别算法,在一定程度上提升了胎儿早产识别的准确率,对临床胎儿早产的有效识别具有一定的辅助诊断价值,具有较好的应用前景。