超声成像技术的迅速发展推动了超声检查在医疗实践中的广泛应用。尤其是在心脏病筛查、妇科检查以及腹中胎儿先天性疾病筛查等场景中,它是最重要的成像手段之一。超声检查价格低廉,组织穿透能力较深,具有对人体无害的特点。在采集真实的超声图像过程中,由于成像环境和设备性能的限制,采集到的图像极有可能被噪声或伪影损坏,导致超声图像质量下降,甚至引起关键信息的丢失。特别是斑点噪声,模糊了图像中的相关细节,降低了图像中软组织的对比度,对医师造成了严重的视觉干扰,从而影响到医师判断。因此,超声图像去噪具有重要的临床意义和应用价值。本文主要围绕提升超声图像去噪模型的性能展开研究,构造了注意力反卷积残差块、频域通道注意力反卷积残差块和多注意力融合注意力模块,并提出了基于残差编解码器的超声图像去噪算法。本文的主要研究工作总结如下:1.针对超声图像中斑点噪声对图像信息依赖的问题,本文提出了基于残差编解码器的通道自适应超声图像去噪算法。该算法将已有的残差编解码去噪模型和通道注意力机制相结合,构造出新的注意力反卷积残差块。为了提升去噪模型对通道中内容特征的敏感度,将注意力反卷积残差块应用于解码器中,使去噪模型能够捕获到通道间的依赖关系,从而学习到图像特征在各个通道中的重要程度。在2个私有数据集和2个公开数据集上验证了该去噪算法的性能,实验表明,该算法能够有效地去除超声图像中的噪声。在胎儿心脏超声数据集上,该算法与经典的MLP、BM3D、K-SVD、CNN10、RDN10、RED-CNN这6种图像去噪算法相比,在噪声抑制和结构保持方面均有提升。与近期最好的RDN10方法相比,平均峰值信噪比（Peak Signal-to-Noise Ratio,PSNR）提高0.1d B;与较差的BM3D方法相比,平均峰值信噪比提升5.0d B。2.针对基于残差编解码的通道自适应超声图像去噪算法无法关注到图像频域中关键信息的问题,本文提出了基于频域通道注意力机制的超声图像去噪算法。该算法将频域通道注意力与解码块相结合,构造出频域通道注意力反卷积残差块。为了使该算法在图像重建过程中不仅能关注到通道信息的重要程度,而且能关注到频域信息的重要程度,该算法在解码器部分引入了频域通道注意力反卷积残差块。实验结果表明:虽然该算法的少部分评价指标略低于其他图像去噪算法,但从整体来讲,该算法的评价指标与大部分方法相比均有所提升。3.针对基于编解码器的通道自适应超声图像去噪算法无法关注到多个域中特征信息重要程度的问题,本文提出了一种基于多注意力融合的超声图像去噪算法。在图像重建的过程中,本文将通道注意力和空间注意力相结合,提出了多注意力融合注意力块。该算法既能关注到空间域中的特征信息又能关注到通道域中的特征信息,避免了只局限在对单个特征域中特征信息关注的问题。实验结果表明:该算法与7个现有的方法对比,无论从定性评估还是定量分析上,该算法都取得了良好的评价结果。