在产前诊断中,医学超声影像技术由于其无创性、实时性和廉价性,成为产前检查的首选方式。胎儿解剖结构的生物参数测量是产前诊断中的重要内容。而目前的生物参数测量主要通过医生手动测量来完成,这可能导致以下问题:测量结果的精确度高度依赖于临床医生的经验,可能存在较大的差异;精确测量过程耗时较长,不仅增加超声检查时间,而且导致医生的工作效率较低;对医生造成重复压力伤害。因此,本论文提出对胎儿超声生物参数自动测量的方法,旨在降低对医生经验的依赖,提高诊断效率。本论文首先对国内外已有超声图像中胎儿股骨测量方法进行了归纳和总结,将测量方法划分为图像处理方法、传统机器学习方法以及深度学习方法。由于图像处理方法对数据量无要求,易于实现等原因,我们提出基于Frangi滤波器的股骨自动测量方法,但由于图像处理方法受超声图像质量影响较大,容易受超声图像中噪声、声影的影响,且存在边界易丢失等问题,造成测量结果普遍偏小。为此,我们提出使用传统机器学习方法,通过直接定位股骨的端点,避免图像处理方法中因为边界模糊带来的误差。在传统机器学习方法中,我们提出基于随机森林回归模型的股骨自动测量方法,但传统机器学习方法需要手动设计与选择特征,并需要通过多次实验验证特征的选择是否合适,使得方法研究的复杂度大幅提升,因此,我们提出使用深度学习方法,自动学习图像特征。在深度学习方法中,我们提出了基于SegNet模型的股骨自动测量方法,该方法不仅能自动学习图像的有效特征,且不易受到超声图像质量的影响,具有较好的鲁棒性。最终,我们在435例胎儿股骨超声图像中测试上述方法的效果。基于Frangi滤波器方法结果平均相对偏差为3.33±7.83mm,基于随机森林回归算法预测结果的平均相对偏差为1.23±4.66mm,基于SegNet的胎儿股骨自动测量方法预测结果的平均相对偏差为0.46±2.82mm。我们还将这三个方法的结果与医生的标注进行了定性对比,结果表明,基于SegNet的胎儿股骨自动测量方法具有较好的准确性和鲁棒性。