中枢神经系统异常是最常见的先天性疾病之一,可能与诸多综合症的染色体畸形相关,并导致严重的神经发育迟缓和智力低下,给患者家庭带来极大的精神折磨和经济负担。目前,最常用的中枢神经系统异常筛查方法是在经腹超声中对胎儿颅脑内的解剖结构获取成像。然而,胎儿颅脑结构的获取与评估是一项困难的任务,需要经过多年的培训和经验积累。大部分地区和国家,缺乏专业超声分析师,使得在早期的产前筛查中严重的中枢神经系统异常容易产生漏检,从而引发一系列不良后果。为了辅助检测中枢神经系统异常,本文将引入最新的深度学习技术,设计高效的胎儿颅脑结构自动化检测和诊断方法。本文的主要工作和创新点有:（1）提出了基于行列信息分类的超声颅脑图像异常检测,并且在一个包含7个常见颅脑异常类的约两万张颅脑超声图像的大型临床数据集上对框架进行训练和验证。实验结果表明,该框架能够鲁棒地分割头颅区域,准确地区分颅脑标准切面是否正常,并且定位病变区域为诊断提供可视化的证据,这有可能辅助医生颅脑解剖结构分析中检测出病变。（2）提出了时序信息融合的检测网络,对超声视频中的颅脑解剖结构进行检测。本文使用从临床上获取的超声视频作为研究数据,经过严格的训练和验证表明了,结合时序信息分析视频中颅脑解剖结构的重要性。经过优化,提出的检测方法在满足临床实时需求的同时,达到了媲美其他先进方法的检测准确度,实现了又快又好地超声颅脑解剖结构检测。