在产前超声检查中,医生常常需要测量相关的参数来预估胎儿的生长发育情况。而获取标准切面是医生准确测量的前提,其中本文研究的丘脑水平切面的双顶径和头围参数被来预测胎儿的体重,是孕妇选择最终的妊娠方式的关键参考参数。然而,目前的标准面的获得多依赖超声医生的临床经验,存在很大的主观性且容易得到质量较差的超声切面。临床上,由经验丰富的专家超声医生来评估新手医生的超声图像质量,但是非常费时耗力,占用临床专家资源。为了缓解专家医生的工作压力,我们提出了胎儿头围超声图像自动化质量控制的方法研究。本论文提出了一种新的多任务学习框架,该框架使用多任务更快的区域卷积神经网络（MF R-CNN）架构来进行自动化质量评估。MF R-CNN可以识别胎儿头部的关键解剖结构,分析超声图像放大是否合适,然后根据临床协议对超声图像进行质量评估。首先,MF R-CNN的前五个卷积块学习输入数据中共享的特征,这些特征可以与检测和分类任务相关联,然后扩展到特定于任务的输出流。在训练中,为了加快不同任务的不同收敛速度,本论文设计了一种基于转移学习的分段训练方法。其次,本论文加入了临床先验知识模块,来提高检测结果的精确度。利用各个解剖结构的先对位置是固定的,统计解剖结构之间的覆盖率,剔除预测结果中覆盖率异常的结果,来避免超声图像中其他结构和组织的干扰。此外,在共享残差特征层中加入了多尺度注意力机制模块,从通道和空间两个维度计算注意力特征层,然后将注意力特征层与输入的特征层相乘来进行特征的自适应学习。多尺度注意力机制模块训练网络关注目标的细节信息,同时能够提升网络模型的特征表达能力。本论文提出的自动化超声胎儿头围质量控制系统通过识别超声图像的关键解剖结构和放大倍数,对胎儿头部超声平面进行评分,判断其是否是标准图像。最后,本论文还利用Py Qt5,设计一个简洁容易操作的胎儿头围自动化质量控制界面,方便临床超声医生进行操作。实验结果表明,该方法能够在半秒内对超声平面进行准确的质量评价。我们的方法与目前最先进的方法相比,取得了良好的检测效果,提高了检测效率,减轻了由于超声扫描不当而引起的测量误差。