腹部胎儿心电信号在妊娠期进行胎心率检测发挥着重要作用,对胎儿健康状况的早期诊断十分有利。腹部胎儿心电监测属于被动非侵入式方法,安全无创伤。但是从腹部心电信号中检测胎心率十分困难,这主要因为从母体腹部采集的心电信号不可避免地受到各种噪声干扰,其中母体心电信号是主要干扰,其振幅远大于胎儿心电信号。为了获得可靠的胎心率,主要是从母体腹部心电信号中获得胎儿QRS波群的准确位置。尽管国内外学者已经提出了大量用于成人心电信号中QRS波群检测的方法,但是对于非侵入性胎儿心电信号的分析仍然具有挑战性,主要原因在于当前胎儿心电检测技术提取准确率仍不高、可靠性难保证。深度学习作为近年来快速发展的崭新技术可以有效帮助研究目标检测和模式识别,在信号与信息处理领域成为研究热点。其中,卷积神经网络在过去的十余年得到快速发展,受到了越来越多研究学者的关注。卷积神经网络最大的特点是善于从原始数据中提取高级的抽象特征,具有良好的泛化能力,因此被广泛应用于与特征提取相关的科学研究领域。本文在总结国内外现有方法基础上,采用卷积神经网络对腹部胎儿心电信号进行胎心率检测研究。主要研究内容如下:（1）采用一维卷积神经网络检测胎儿QRS波群。该方法首先在Physio Net上选取四通道腹部胎儿心电信号作为实验数据集,然后通过样本熵进行信号质量评估,排除信号质量较差的通道;通过50Hz陷波滤波器和5～100Hz带通巴特沃斯滤波器去除电力线干扰、基线漂移和高频肌电干扰,最后以100ms分段通过9层一维卷积神经网络进行无交叉训练、验证和测试。实验结果表明,胎儿QRS波群检测的总体灵敏度为81.97%、阳性预测值为77.90%和F₁值为79.84%,卷积神经网络检测的总体准确率为79.74%;（2）采用二维卷积神经网络对腹部胎儿心电信号进行胎心率检测。该方法首先将四通道腹部胎儿心电信号的幅值归一化至[-1,1]区间内,然后以250ms连续分段进行短时傅里叶变换将一维心电信号序列转化为二维时频图,最后通过11层二维卷积神经网络进行交叉验证和检测。实验结果表明,胎心率检测的总体灵敏度为87.56%、阳性预测值为86.94%和F₁值为87.25%,卷积神经网络检测的总体准确率为88.06%。