超声彩色血流成像作为一种非介入性的血流信息可视化方法,具有无伤害和低成本等优点。软组织蠕动产生的高能低频杂波信号往往使得血流流速估计出现偏差,进而提升心血管疾病的误诊率。研究能精确提取够被杂波淹没的血流信号的检测方法具有重要意义。研究表明,如下两个原因使得准确估计血流流速变得困难:第一,为满足成像的帧率需求,超声探头接收的回波信号只包含8-16个采样数;第二,由于呼吸和心跳作用下,杂波的频率表现为宽带特性。传统血流信号提取方法的效果由事先选定参数决定,而不依赖于实际接收的超声回波信号。这种非自适应方法往往造成血流估计精度的下降。为突破上述限制,本文以超声彩色血流检测与成像为应用背景,分别对参数化和非参数化的自适应血流信号提取方法开展研究。为解决传统高通滤波器不能充分抑制杂波或者错误地去除部分血流信号的问题,建立了一种基于松弛算法的参数化血流信号提取方法。该方法通过将输入的信号近似为指数模型,并结合对偶式的参数估计算法,不仅能够有效地提取血流信号,同时能够去除白噪声的影响。仿真结果表明,通过松弛算法估计的血流信号频率在均值和方差上优于传统的高通滤波器。对比其他参数化方法,松弛算法的反馈式参数估计方式同时提高了杂波和低速血流信号的估计精度。但是,当杂波表现为宽频特性时,参数化的方法受到数学模型的限制,会出现估计误差。为解决了参数化方法受到数学模型限制只适用于窄带杂波情况的问题,详细分析了基于奇异值分解Hankel矩阵方法的特点,从算法效率和精度两个方面改进了该方法。首先,提出一种双线性Hankel框架,实现了对输入超声回波信号的精确分解,减少了传统Hankel方法在信号重构过程中的计算量。仿真结果表明,提出的方法相比Hankel方法在血流信号检测上具有更小的估计偏差。其次,提出一种基于向前向后平滑子序列框架的血流信号提取方法。该方法通过子序列截断和向前向后平移处理,扩展了基于特征分解的杂波滤波器的应用范围,其实现自相关矩阵满秩所需的采样数为传统Hankel框架下的3?4。仿真结果验证了该方法整体上优于多项式回归滤波器。当输入信号的采样数有限时,相比Hankel方法,该方法在同数量级计算复杂度下将输入信号分解为更多特征成分,提升了血流信号的检测精度。为解决了基于Hankel框架和基于特征分解的方法中频率或特征值阈值难以确定的问题,引入了2种自适应分解算法——经验模态分解和聚合经验模态分解。为突破这两种算法遇到的模态混合和统一权重的限制,建立了回归聚合经验模态分解框架。通过在聚合过程分别引入岭回归和套索回归,实现了自适应的权重,降低了离群值对整体分解效果的影响。理论分析表明,通过添加适当强度的噪声,回归聚合经验模态分解框架能够解决分解二重振动信号的模态混合问题。对于基于岭回归聚合经验模态分解和套索回归聚合经验模态分解方法的杂波滤波器,其计算复杂度主要集中在所包含的经验模态分解算法上。仿真结果表明,所提出方法相比基于特征分解的血流信号提取方法,基于经验模态分解和聚合经验模态分解血流检测方法有着更高的精度。为实现理论方法在超声实际设备上应用的有效性,本文深入分析了所提出的几种自适应血流信号检测方法的计算复杂度,并进行了2组超声临床数据的实验验证。实验结果表明:对于杂波表现为窄带特征的颈动脉血流估计,松弛算法能够实现血管区域和组织区域最大的能量比,而套索回归聚合经验模态分解方法实现了血管区域的最大能量。对于杂波和血流信号均表现为宽带特性的肾脏血流估计,松弛算法在分支血流检测上出现误差。相比基于回归滤波器的检测方法,双线性Hankel框架和向前向后子序列平滑框架在低计算复杂度下具有更高的血流检测精度和灵敏度。套索回归聚合经验模态分解方法相比所有涉及的算法能够显示大血管最好的层次性,并检测出最多分支血管信息。