医学超声是产前诊断首选的影像检查方法。在产前超声诊断中,基于二维超声的生物学参数测量是评估胎儿发育的常规方法,但高度依赖于医生手法。近年来随着成像技术的快速发展,基于三维超声的容积生物学参数可更全面地反映胎儿发育状况,并降低超声诊断的高用户差异等问题。但是,获取容积生物学参数需手动分割三维超声图像并定位相关解剖结构点,在临床中难以大规模推广,亟需一种三维超声图像自动分割及解剖结构点自动定位的方法。三维超声图像的自动分析主要面临以下挑战:超声图像对比度较低,并存在斑点噪声、组织边缘模糊等问题;胎位及姿态差异使得分割目标存在较大的类内差异;受声波传播机理的限制,目标组织在图像中往往存在严重缺失;容积数据中常存在目标结构点的相似区域,使结构点自动定位易出现假阳性等问题。本论文首先提出一种基于深度卷积神经网络的三维超声中胎儿头部分割的新方法:采用随机数据擦除策略扩充训练数据量,防止过拟合问题;通过注意力机制使得神经网络着重关注需分割的目标区域,提升图像分割性能;结合自动上下文迭代模型,充分利用三维超声中丰富的上下文信息并优化分割结果。该方法在50套胎儿头部三维超声数据上获得了96.05%的Dice值,表明所提出方法可实现准确的三维超声图像分割。本论文进一步提出一种基于多任务学习的胎儿腿部容积图像分割和股骨端点定位方法框架:通过设计特征交叉连接的方式,充分利用相关任务间的互补信息;提出基于距离约束的新损失函数,解决股骨两端定位易混淆的难题;结合对抗生成网络,进一步优化分割与定位结果。实验表明,该框架可获得91.05%的分割Dice精度及3.97个体素的股骨端点定位精度。本论文首次提出并实现了产前三维超声中目标结构的协同分割与定位,所提出方法具备较好通用性,可扩展到胎儿其他部位或其它类型的三维超声数据,未来将所提方法进行深入的临床应用研究,为实现更精准的胎儿发育评估提供实用高效的工具。