胎心率监护作为产科临床的常规检查项目,对于孕妇围产期的胎儿健康监测有着重要的意义。超声多普勒检测法是目前最常用的胎心率监护方法。超声多普勒检测法通过超声探头发射超声波,接收反射的超声波得到多普勒频移,对频移回波信号进行处理可以得到胎儿心跳周期,计算得到胎儿的瞬时心率,因此超声多普勒信号的质量对于正确提取胎心率至关重要。深度学习在各种分类任务中的成功促进了将深度学习运用于时间序列分类任务,其中端到端深度学习模型,因其不需要对原始数据进行复杂的预处理,在时间序列分类的深度学习模型中占有一席之地,为超声多普勒信号质量分类带来了更多的可能性。已有的超声多普勒信号质量分类通过提取样本熵等量化时间序列复杂性的特征进行分类,却未从胎心率提取算法的角度评估超声多普勒信号的质量,且需要进行复杂的数据预处理。本文提出两种方案分别针对上述两个问题:(1)结合胎心率提取算法,提出从短时平均幅度差曲线中提取与超声多普勒信号质量相关的特征,使用SVM进行特征分类,将胎心率与超声多普勒信号质量紧密相连;(2)本文提出端到端深度学习模型Inc-ALSTMCNN,简化了数据预处理的复杂性,避免了人工特征工程的参与,并通过Inception结构的卷积神经网络增强特征提取的深度及宽度,丰富特征的层次,同时使用ALSTM捕获序列中的长期依赖性,抽取出更加关键及重要的信息,以提高分类效果。实验结果表明:本文提出的基于SVM的特征分类模型能够对超声多普勒信号质量有效地进行分类,准确率为97.16%,高出基于样本熵的分类模型3%左右,短时平均幅度差曲线特征在超声多普勒信号质量分类上的表现优于样本熵;本文提出的Inc-ALSTM-CNN模型对超声多普勒信号质量分类具有较好的分类效果,准确率为96.51%。本文将超声多普勒信号质量分类模型集成到产科监护工作站软件系统上。在胎监过程中标注每一次胎心率计算时的信号质量,为产科医生在分析CTG图时,提供关于原始信号质量的辅助信息,为产科医生对CTG图的判读提供参考依据。