组织运动的精确追踪对于应变弹性成像、声辐射力脉冲成像和剪切波弹性成像等多种超声弹性成像方法至关重要。在这项研究中,论文主要探讨了三种计算机视觉领域的光流卷积神经网络在乳腺超声应变弹性成像应用中的可行性。使用有限元和超声模拟平台产生的弹性图像数据集对三种卷积神经网络（CNN）进行了迁移训练:FlowNet-CSS,PWC-Net和LiteFlowNet。再训练完成后,使用计算机模拟的超声数据和各种复杂的活体乳腺超声数据对再训练后的CNN模型进行评估。然后与两种已发表的高质量二维散斑运动追踪算法进行对比:Coupled和GLUE方法。为了实现光流网络对二维超声数据高精度的运动追踪以及提高网络对真实超声数据的敏感性,本文进行了以下两个方面的研究工作。（1）选择适用于超声数据的CNN模型。因多数已公开的著名光流网络所适用的应用场景多是车辆运动等普通光学影像,而很少涉及超声弹性成像领域。为了更好的对这些模型进行迁移训练,本文从训练时间、网络性能等诸多因素综合考虑,最终选择将FlowNet2.0、PWC-Net和LiteFlowNet作为研究基础。但这些网络存在许多版本的模型。因此,实验预先使用若干真实的乳腺超声数据对各种版本的原始光流网络进行了测试。通过初步的可视化结果分析,最终选择了 FlowNet-CSS、PWC-kitti和LiteFlowNet-sintel进行迁移训练。（2）根据模型的结构,设计不同的迁移训练方法,对CNN模型进行由粗到精,由简单到复杂的训练。所有模型的训练过程均是分阶段的,首先使用计算机模拟的简单仿体超声数据对模型进行初步训练,然后使用复杂的乳腺超声仿体数据对模型进行精调。当模型收敛后,使用各种超声数据,结合视觉分析和量化评估对模型在乳腺超声弹性成像中的可能性进行深入分析。论文的初步结果显示,经过迁移学习后,对于计算机模拟的均匀组织仿体数据,三种CNN模型都显著优于Coupled算法,其结论仍然适用于复杂的体内超声数据。对于31例真实乳腺超声数据,在三种原始CNN模型所得到的轴向应变中,CNR平均值分别为 0.88（FlowNet-CSS）,0.82（PWC-Net）和 0.58（LiteflowNet）。而再训练后所得到的 CNR平均值分别为1.15,1.43,1.02。总之,基于Wilcoxon秩和检验,PWC-Net和LiteFlowNet模型经过再训练所得到的改善具有统计学意义（ρ＜0.01）,除此之外,本文还发现PWC-Net是研究超声图像数据的最佳网络模型,其整体性能与Coupled方法相当。经过测试,该网络在追踪二维超声数据时可达到约45帧/秒的速度。