心血管类疾病是目前导致国内人群死亡的首位原因,随着我国人口老龄化问题日益严重,心血管类疾病的患病率也在逐年上升,早期诊断对降低疾病对患者生命健康的威胁至关重要。医学临床实验研究证实,精确的左心室血流流场以及血流动力学信息对于众多的心血管类疾病的早期诊断具有重要的意义。彩色超声多普勒是目前常用的左心室功能临床检查手段,但是由于帧率较低,左心室彩超帧与帧之间的流场以及心肌组织的运动信息会出现部分缺失的情况,会对医生的诊断会造成干扰。针对左心室彩色超声多普勒视频由于帧率较低导致帧与帧之间流场信息存在缺失所带来的挑战,本文分别从合成中间帧以及预测流场两个方面进行对填补缺失流场信息的研究:（1）提出了基于深度学习的左心室彩超视频插帧方法。本文模型是一个端到端训练的模型,结合相邻帧间的光流信息合成中间帧。首先通过光流预测网络预测双向光流,利用线性拟合的方法近似出中间光流,再通过光流修正网络输出优化的中间光流并且预测用于处理遮挡问题的可见性映射关系。然后使用反向扭曲函数根据优化的中间光流扭曲出待线性融合的中间帧,最后通过可见性映射关系对待融合的中间帧进行线性融合合成最终输出的中间帧。客观评价方面,本文的插帧模型对左心室彩超视频进行插帧的PSNR值、SSIM值以及IE值分别为23.07、0.79和9.92。主观评价通过VFM计算流场的方法进行验证,结果表明本文方法对预测左心室彩超视频缺失的中间流场信息具有较好的效果。（2）提出了基于格子玻尔兹曼方法的流场预测方法。本文首先通过格子玻尔兹曼方法对任意的左心室彩色超声多普勒图像进行建模,出于简化目的,本文模型的边界条件设置为反弹格式的静止矩形框,对彩色多普勒信息使用VFM的方法计算得到左心室流场的初始速度矢量。然后设置模型迁移碰撞过程的初始参数,最后通过迭代演化运算预测出初始流场在接下来的任一时间步上的流场。实验结果表明,本文提出的流场预测模型能够有效预测出左心室流场整体运动的趋势以及涡旋产生情况,是一种预测左心室流场的可行方法。