本文对国内外的各种时延估计算法进行了分析和比较，简要说明了它们之间的相互联系，各自的优缺点。 本文在研究通过峰值检测估计时延的基础上，提出了基于经验模式分解(EMD)的Hilbert变换的时延估计算法。在对信号进行Hilbert变换时延估计之前，首先对信号进行EMD去噪，此算法不仅把以往通过峰值检测估计时延转变为过零检测估计时延，具有抗噪和抗混响能力，有利于在相关峰值平坦的条件下提高精度，而且在较低信噪比条件下，同样能够获得较准确的时延估计，通过对一般非平稳信号和chirp信号进行了仿真实验，证明了此算法的优越性。 针对一些传统时延估计算法计算量大的问题，提出了基于遗传算法的时延估计算法。用目标函数作为适应度函数，用时延等参数作为决策变量，优化了适应度函数，解决了代价函数复杂计算量下的高效全局优化问题。并通过仿真实验验证了此算法不仅可以大大地减少计算量，而且提高了时延估计的稳健性和实时性。仿真实验主要是利用最小二乘法准则，得到了优化目标函数，将时延滤波器系数列入到参数估计模型中，结果表明，不仅在滤波器长度比较短的情况下获得最优的时延估计，而且大大地减少了计算量。 本文分析了时延估计在血流速度估算中的原理，提出了一种非多普勒原理的间接测量血流速度的方法，通过估计时延来测量血流速度，并用实测的超声成像实数据进行了实验，验证了本文方法的有效性。此法不仅简单，易于实现，计算量较小，且有实际的应用价值。 最后，对本文所提出算法的特点，性能进行了总结，并对未来时延估计算法的研究进行了展望。