深度学习已经在很多领域取得了巨大成功,例如语音识别,自然语言处理以及人脸识别,但在产前超声医疗领域的研究尚处于初步探索阶段。临床实践中,超声是主要的成像模态之一,具有无辐射、成本低、操作便捷等优点。因此,胎儿产前筛查一般采用超声成像方式,以便获取可以清晰显示关键解剖结构的标准切面,为产科医生诊断胎儿疾病提供重要依据。目前,胎儿超声标准切面由超声医师手工获取。由于胎儿在子宫中位置的差异和不同孕周的影响,关键解剖组织的位置和形态往往差异很大,这需要产科超声医师具备大量的解剖学知识以及丰富的临床经验,是一项劳动密集性和高度专业性的工作。随着人工智能技术的发展日渐成熟,以及产前超声医疗广阔的应用市场,使得深度学习在超声医疗领域的研究成为一个新兴热点,也带来了诸多挑战。本文就产前胎儿超声6种标准切面自动识别问题,提出一站式端到端的计算机辅助解决方案。为了体现在整个胎儿超声标准切面识别场景中的代表性,这6种切面同时含有一级、二级和三级产科超声检查中涉及的部分切面。该应用场景具有如下特点:在区分切面类别的同时,每种切面又可以分为标准、基本标准和不标准三种等级;同一张扫描切面可能同时归属多个切面种类;其数据呈现类间差异小类内差异大的特性。因此,本文提出了基于多标签联合学习的细粒度产前超声图像识别算法FGMixed-RCNN,主要内容包括:（1）解决多切面类型场景下,一图多类别标签以及混合粒度分类问题。本文在经典的二阶段目标检测算法Faster-RCNN的基础上,设计了新的网络架构,提出了分层多标签联合学习算法,将数据类间分类和类内分类任务解耦。（2）针对数据类内细粒度分类的问题,本文提出并设计了新的网络分支结构133SE,该分支引入了通道注意力结构Squeeze-Excitation以关注不同于粗粒度分类问题的特征;此外,针对该分支结构引入了加性裕度损失函数和交叉熵损失函数的组合损失方案,使得分类性能进一步提高。（3）在超过4.8万张样本的数据集上进行了大规模测试,实验表明本文提出的方法具有良好的性能,为其走向临床实用和推广到其他检测任务提供了可能性。