胎儿窘迫是发生在临产或妊娠后期的一种综合症状,该症状会导致胎儿缺氧,严重的窘迫会影响胎儿生长发育甚至会致使胎儿死亡,及时准确定级并采取适当医疗措施是降低分娩风险的主要手段。随着人工智能在医疗行业的广泛应用,医疗数据也在广泛关注下变得越来越规范和全面,而机器学习算法可以从大量数据中学习到内在固有的特征,并给出分类或预测结果,对节省医疗资源、提高诊断效率及准确率具有重要意义。本文利用若干机器学习算法对胎儿窘迫临床数据进行研究,期望从数据中学习到计算机能够识别的病理特征,针对病理特征建立模型并准确分类以达到机器智能诊断的目标。本文主要完成以下工作:1.介绍了胎儿窘迫的相关理论知识,包括胎儿窘迫产生的时期、胎儿窘迫的国际分级标准,以及胎儿窘迫产生的原因。2.针对UCI中胎心监护的离散数据实现三分类任务,使用Stacking集成学习模型对比BP神经网络、SVM支持向量机、RF随机森林、AdaBoost算法,发现Stacking模型在胎心监护的分类识别中拥有较好的效果,其分类准确率、精确率、召回率、F1综合指标分别达到95.82%、97.01%、97.98%、97.49%。3.分析了PhysioNet中的电子胎心监护时序数据,根据数据特点以及本文的目标,使用GADF将胎儿心率(FHR)、子宫收缩(UC)两列时序数据转化为图像数据并将其拼接,而后使用6层CNN模型与VGG16模型预测胎儿窘迫的两个重要指标:Apgar得分、脐带动脉血pH值,对比结果表明VGG16模型的评价效果更好,均方误差分别达到0.05779076、0.03113010。