近年来,随着“二胎”政策的全面落实和“优生优育”理念的广泛普及,人们在保障母婴健康方面的意识逐渐增强。对胎儿健康状况进行实时监护,有助于临床医生及时发现并处理胎儿异常,从而降低出生死亡率和婴儿缺陷率。孕期胎心宫缩监护(Cardiotocography,CTG)是目前临床上最常见最有效的评估胎儿宫内健康状况的胎儿监护方法,其中胎儿心率(Fetal Heart Rate,FHR)信号是围产期胎儿电子监护的一项核心生理参数。CTG信号的解读至关重要,以便及时、有效、准确、方便地获取CTG中所蕴含的孕妇胎儿健康状态信息,对提高人口出生质量具有重要的理论价值和现实意义。医护人员判读CTG信号的经验参差不齐,经常出现因主观差异性而做出不一致的临床诊断结果,进而推动了计算机辅助分析系统的快速发展。然而,目前的计算机系统仍存在参数的不充分性、算法的局限性等诸多不足,使得诊断胎儿状态的准确率不高。本文主要研究了利用人工智能学习算法实现胎儿状态智能评估。首先,提取基于CTG信号的多模态参数,在此基础上,分析特征优化方法选择最优特征子集,然后构建机器学习模型来执行胎儿分类任务;最后,在无需任何特征工程的情况下,设计并优化卷积神经网络结构对胎儿状态做出诊断。本文的研究工作主要有:(1)阐述了本文的研究背景和意义,回顾了胎儿状态评估算法的国内外研究现状,为本文提出的研究方案提供了理论基础。(2)提出了基于CTG信号的多模态参数提取算法,并开发了可视化软件。从预处理后的CTG信号中提取全面的不同特征域的参数,包括:描述曲线模式的形态学特征,反映信号微小变化的时域特征,计算信号功率谱面积的频域特征和刻画信号非线性特性的非线性特征,设计了分析结果可视化的计算机软件。(3)提出了基于机器学习的胎儿状态评估算法。在提取CTG参数的基础上,利用合成少数过采样技术来缓解类别不平衡问题,探讨了如何从原始数据集中优化选择最优的特征子集,设计了多种典型的机器学习算法来判断胎儿健康状况,并利用数据库测试了算法性能。最后,实验结果证明:基于遗传算法和自适应提升的分类组合的性能最佳,其准确度、灵敏度、特异度和曲线下面积分别为95.15%、96.51%、93.44%和 94.67%。(4)提出了基于卷积神经网络的胎儿状态评估算法。分别采用连续小波变换和递归图将一维胎心率信号转换为二维图像,设计了相应的二维卷积神经网络结构,研究了交叉验证的训练策略方法来实现两种网络结构的最优化设置,并利用数据库测试了算法性能。最后,实验结果证明:相比传统的机器学习方法,卷积神经网络可以从输入中自学习相关信息,而不执行特征提取、特征优化等过程,且分类性能更优,其准确度、灵敏度、特异度和曲线下面积分别是98.36%、99.05%、97.67%和 98.36%。本文的研究实现了胎心率参数的自动监测分析和胎儿健康状况的智能评估,为临床围产期胎儿智能监护仪器的工程化开发应用奠定了理论基础与技术支撑。