胎头位置是产程中的重要参数之一。密切关注生产过程中胎头位置的变化,有助于医生了解分娩情况并做出相应的临床干预,从而预测分娩方式,降低母婴伤害。但是,通过主观的、具有侵入性的传统阴道指检评估胎头位置的方式存在错误率大、不可靠的问题,而且还有造成产妇感染的可能。近些年来,已有相关研究表明借助超声技术监测产程参数是一种更为有效的手段。通过经会阴超声检查来评估胎头下降角(Angle of Descend,AOD)为产程中检测胎头位置提供了一种更为准确、客观、可重复的手段。然而目前临床上对于AOD的测量普遍采用人工测量方式,这要求操作者具有一定的超声经验,并且不同的操作者之间也存在一定的主观性。针对上述问题,本文提出一种AOD全自动测量方法,包括AOD测量标准切面的识别方法和AOD自动测量方法。其中,AOD测量标准切面的识别方法基于深度学习算法VGG实现,我们对该算法进行了简化和调整以满足任务需求。针对122张经会阴超声图像的测试,标准切面识别算法的准确率为94.26%,平均耗时仅为6.30±7.73ms。对于AOD自动测量方法,我们首先使用基于U-Net模型的分割算法对耻骨联合和胎头区域进行分割。然后对分割结果进行连通区域分析处理,以滤除部分分割误差。之后通过基于主成分分析算法的方法提取耻骨联合中的AOD测量参考点,实验结果表明基于主成分分析算法的耻骨联合特征点提取方法优于使用椭圆拟合的方法。在实现AOD测量参考点提取之后,我们采用基于图像灰度值的方法对胎头轮廓上的特征点进行筛选,以避免错误特征点造成椭圆拟合结果误差过大。我们使用直接最小二乘椭圆拟合方法获得胎头轮廓方程。最后基于上述提取到的特征计算出AOD。Bland-Altman分析结果表明本文提出的AOD自动测量方法与手动测量方法具有较好的一致性。本文所提出的AOD全自动测量方法为定量描述胎头位置提供了更加客观和有效的手段,在减轻医生工作量和帮助医生在产程做出正确的决策方面具有重要意义。