准确地估计胎龄（Gestational Age,GA）对于判断胎儿生长发育是否异常至关重要,是胎儿产前超声筛查的必检项目之一。临床上,医生通过交互地移动虚拟卡尺跟踪超声图像中的颅骨,腹部和股骨,并测量出相应的头围（Head Circumference,HC）、双顶径（Biparietal Diameter,BPD）、腹围（Abdominal Circumference,AC）和股骨长（Femur Length,FL）,并将测量结果输入Hadlock方程来计算出胎龄。整个过程受胎动、超声噪声和医生专业水平等因素的影响,计算出的胎龄值稳定性差、且测量过程耗时费力。为了应对上述挑战,本文研究了基于超声图像的胎龄自动估计技术,并开发了一个全自动的胎龄估计框架。首先,本文基于注意力机制和Point Rend技术设计了一个胎儿解剖组织分割网络Deep Seg,通过注意力机制提取胎儿解剖组织在超声图像中的复杂的语义特征,并使用Point Rend技术在上采样时对解剖组织的模糊边缘进行精细化处理,实现对胎儿组织的自动分割。然后,本文提出了一个比例尺识别算法,用于准确识别不同图像的比例并进行比例统一化。最后,将统一比例的超声图像输入一个基于Alex Net网络设计的深度回归网络Deep Reg,对胎儿三个解剖组织的形态特征进行综合分析,从而预测胎龄值,减少对胎儿三个解剖组织进行手动或自动测量所带来的误差积累问题。实验表明,本文提出的框架达到了传统专家的水平,且平均绝对估计误差小于6天。本文所提出的框架是一种新型的自动化胎龄估计的解决方案,它通过使用深度神经网络回归胎龄的方式,避免了医生手动测量过程中引起的误差积累问题,本文通过充分的实验验证其有效性,并对深度回归网络进行了解释,缓解了深度学习的黑箱问题。经过实验验证,它可以帮助超声医生在各种临床场景中改进胎龄估计的准确度和效率,尤其是在专业知识有限的农村和不发达的第三世界国家中。