在产前超声筛查与诊断中,从三维容积超声或动态超声序列中获取标准面对于后续的生物参数测量、产前畸形诊断和胎儿生长发育评估至关重要。由于产前超声筛查需要获取几十种标准切面,因此使用动态超声序列获取标准面往往非常耗费时间与精力并且依赖医生的临床工作经验。三维容积超声通常可以通过单次扫描便可获取多种标准切面,相较于动态超声序列,其具有更高的效率并减少对医生临床工作经验的依赖。然而,由于三维容积超声本身巨大的搜索空间和胎儿体位的变化,基于三维容积超声的标准面手动定位仍具有巨大的挑战。因此,三维容积超声的胎儿标准面自动定位算法对于产前自动化辅助筛查与诊断有着重大意义。在本论文中,我们提出一个基于深度强化学习的框架来实现三维超声中的胎儿标准面自动定位。我们的框架共分为三部分:首先,我们提出一个基于深度强化学习的搜索系统以实现胎儿标准面定位。在该框架中,我们使用强化学习的方式来训练深度神经网络来学习与模拟临床工作中医生手动定位标准面。其次,为了解决由于胎儿体位变化而造成的搜索空间较大的问题,我们提出一个基于标志点的数据对齐模块来减少搜索空间从而降低搜索难度。最后,为了提升整体框架的性能与效率,我们提出一个基于循环神经网络的自适应搜索终止策略来寻找搜索过程中的最优迭代步数。本论文是产前自动化辅助筛查与诊断领域中首次将深度强化学习应用至三维超声标准面自动定位的研究,并且提出了基于标志点的数据对齐模块以降低搜索系统的搜索难度和基于循环神经网络的搜索终止策略以提升整体框架的效率和性能。我们在430例三维胎儿脑部超声和519例三维胎儿腹部超声的数据集上来验证我们的算法,其中训练集包含330例胎儿脑部三维数据和394例腹部三维数据,测试集包含100例胎儿脑部三维数据和125例腹部三维数据。我们的方法一共检测两种脑部标准切面和一种腹部标准切面,分别是小脑切面、侧脑室切面和上腹部切面。最终我们的方法在小脑切面和侧脑室切面定位的精度达到3.4mm/9.6°和2.7mm/9.1°,在腹部切面定位精度达到2.1mm/14.5°。实验结果表明,我们的方法有效并且可以在不同部位的三维超声上拥有良好的定位性能。