先天性心脏病是最常见的胎儿出生缺陷疾病,对其胎儿期筛查可以早发现早治疗,减少并发症和降低死亡率。超声是筛查胎儿先天性心脏病最主要的医学影像手段,具有无辐射、可同时评估结构和血流情况等优势。近年来,随着人工智能技术的发展,基于深度学习进行胎儿心脏病筛查,可以学习优秀医生的诊疗经验,为先心病筛查提供辅助诊断,同时还可以缓解医疗资源分布不均衡等问题。本文研究基于深度学习的胎儿心脏病辅助诊断,主要包括胎儿心脏标准切面识别、胎儿心脏疾病诊断及胎儿左心室分割及功能参数测量,具体内容如下:首先,完成超声影像的胎儿心脏标准切面识别。超声影像数据是一个长尾分布的数据集,针对其数据不平衡的特点基于logit进行卷积神经网络损失函数的设计。引入LSTM提取超声影像视频中的时间序列信息,关联信息提高相邻帧的分类准确性。实验表明,CNN联合LSTM的胎儿心脏标准切面识别模型能够更好地识别出超声视频中的四种标准切面:四腔心切面、左室流出道切面、右室流出道切面和三血管切面,且结果优于其他卷积神经网络方法,准确率达到97.73%。其次,进行胎儿心脏疾病辅助诊断研究,分别开展了正常和异常的分类以及法洛四联症和室间隔缺损两种心脏病的分类研究。异常诊断采用图像异常检测算法,对每一个心脏切面训练一个异常检测网络,使用复合分类器联合四种切面的异常检测分数得出诊断结果,实验表明,该方法能够更好地检测出心脏异常,AUC达到了0.882。法洛四联症和室间隔缺损的诊断采用细粒度分类算法,对其中的特征提取网络进行改进,增加低层次的特征学习。实验表明,改进的细粒度算法相比其他分类算法具有更好的分类性能,准确率达到89.10%。最后,对胎儿的左心室进行自动分割并计算左心室射血分数。左心室分割模型采用Trans UNet,能够同时利用Transformer获取长程信息和UNet优秀的细节信息,并引入CBAM注意力机制模块增强特征提取,降低噪声影响。由分割模型获得左心室轮廓后,采用Simpson法进行建模计算出左心室容积,进而得到左心室射血分数。实验表明,改进的左心室分割模型取得了最好的分割效果,并在左心室射血分数的测量中取得了最小误差,为5.83%。