心血管疾病是人类生命健康的重要威胁,有必要在疾病早期对与心血管疾病直接相关的动脉的力学特性进行监测和评估。超声血管弹性成像方法因其无创性、时间和空间分辨率高等优点被广泛应用于动脉血管力学特性评估的研究,而超声血管弹性成像方法的首要和关键工作是实现血管壁运动的准确位移跟踪。超声射频信号包含了超声信号中的幅度和相位信息,超声弹性成像研究中通常使用基于超声射频信号的散斑跟踪方法实现组织的位移跟踪。在实际超声扫查时,射频信号中常出现位移场不连续的区域,给超声散斑跟踪方法带来了一定的挑战,因此有必要提出一种鲁棒性和准确性更好的散斑跟踪方法。另一方面,传统的散斑跟踪方法只能独立地对当前数据进行处理和分析,不能充分挖掘和利用数据的深层特征和规律。深度学习模拟人的神经网络对海量数据进行表征学习,是一种挖掘数据抽象特征的数据处理和分析方法。为了实现更准确的位移跟踪并实现超声射频数据的更充分利用,促进超声血管弹性成像技术更好地为临床服务,本论文:1)提出了一种二维散斑跟踪新方法,利用双重校正机制,充分利用种子点及其邻域点的位移估计信息,保证了每个种子点的位移估计结果都是其本身及其邻域点位移估计的最优估计结果,提高了散斑跟踪方法的鲁棒性和准确性;同时利用和表的设计,避免了二维归一化互相关系数中相似性的冗余判断,在不牺牲位移估计性能的前提下,显著提高了计算效率;利用COMSOL有限元仿真模型对提出的位移跟踪新方法进行了验证,结果表明本论文提出的散斑跟踪方法能取得更好的位移跟踪效果。2)在课题组已完成的脉搏波成像工作的基础上,对由于人体颈动脉走形不规则造成的脉搏波速度估计误差进行了几何校正,实现了颈动脉血管力学特性的更准确估计;同时将提出的二维位移跟踪新方法与改进的脉搏波成像方法结合,并将其应用于临床动脉粥样硬化患者和正常受试者的颈动脉力学特性评估;3)提出了一种将DenseNet和Siamese孪生神经网络结合的基于深度学习的单目标位移跟踪新方法;基于FieldⅡ声场仿真工具包设计了单血管壁的运动模型,并分别利用仿真数据集和人体数据集对提出的神经网络模型进行了训练和测试,实验结果表明,与单目标块匹配方法相比,本论文提出的基于深度学习的位移跟踪方法能有效地挖掘数据的特征和规律,实现更高效准确的位移跟踪。