超声成像因其无创、无电离辐射、经济便携等优点,已经成为了应用最广泛的医学成像技术之一。近年来,基于超声技术的新型成像模式的提出与发展,为医学诊断过程提供了更加深入丰富的辅助信息,同时对超声系统提出了更高成像帧频的要求。传统超声成像系统的聚焦波成像方式已经无法满足新型模式的高帧频需求。非聚焦波（平面波和凸面波）成像方式能够达到超高成像帧频,然而,受限于超声脉冲的非聚焦特性,平面波/凸面波成像难以获得高质量成像,通常需要结合相干复合重建方法提高成像质量。由于高质量的复合重建依赖多次多角度的成像过程,因此在应用中需要在成像帧频与质量之间进行取舍,难以同时达到帧频与质量的要求。近年来,深度学习方法被成功应用于多种图像处理任务,本论文将深度学习方法与超声成像理论相结合,研究了超高帧频高质量超声成像方法,具体研究内容如下。针对传统非聚焦波超声相干复合方法不能实现超高帧频高质量成像的问题,研究了一种高质量的超高帧频超声成像方法。为了解决传统高质量复合重建依赖多角度成像信号的问题,同时为了避免多角度成像过程在动态目标成像中受组织运动的影响,研究了利用稀疏角度成像信号获得重建图像的方法。为了提高成像质量,构建了基于深度学习的重建模型,并利用静态成像数据学习高质量重建规则。该模型采用了深度卷积神经网络（Convolutional neural network,CNN）结构,通过对稀疏角度成像信号进行非线性复合获得高质量重建图像。平面波成像实验表明,所提出的方法能够利用少量角度平面波成像的射频（Radio frequency,RF）信号获得与多角度平面波相干复合方法相近的成像质量,实现了超高帧频高质量平面波成像。针对超高帧频凸面波超声成像中传统CNN模型不能实现全局高质量重建的问题,研究了高质量的凸面波超声成像模型。为了适应凸面波脉冲的发散特性及其成像数据的非均匀采样方式,设计了一种多尺度卷积核特征聚合的网络模型,利用不同尺度的卷积核提取不同凸面波成像局部区域的数据特征。通过特征通道最大值激活函数对不同的局部区域激活对应的数据特征,并聚合为全局的数据特征。通过基于监督学习的模型训练方式,利用静态凸面波成像数据对所提出的模型进行了监督训练。实验表明,所提出的重建模型能够利用少量角度凸面波成像的RF信号获得与多角度凸面波相干复合方法全局一致的成像质量,实现了超高帧频高质量凸面波成像。针对现代医用超声成像系统的信号采样方式,研究了面向超声同相/正交（In phase/quadrature,I/Q）信号的超高帧频成像方法。为了处理复值I/Q信号并重建其完整复域空间信息,采用了基于复值卷积神经网络（Complex-valued convolutional neural network,CCNN）的重建模型,利用复值网络权重直接处理与重建I/Q信号。为了实现复值神经元的激活,设计了一种幅度最大值单元（Amplitude maxout unit,AMU）激活函数,实现了复值神经元的非线性幅度激活与等变相位编码。通过复域梯度下降方式利用I/Q成像数据对重建模型进行了监督训练。实验表明,所提出的I/Q信号重建模型得到了与RF信号重建模型一致的成像质量,实现了面相I/Q信号的超高帧频高质量超声成像。最后,对所提出的超高帧频成像方法在实际应用场景中,即动态目标成像中,进行了实验验证。仿体实验中,对不同运动速度的仿体进行了超高帧频成像实验。仿体实验结果表明,提出的方法在不同组织运动速度下实现了稳定的高质量成像,并且获得的图像序列反映了与成像目标一致的运动状态。在体实验中,对动态心脏进行超高帧频成像。在体实验结果表明,所提出的方法实现了比标准复合方法更高的成像质量,同时提供了更准确的运动跟踪。