在医学领域中,医生仅依赖单帧图像信息对病灶区进行病变检测,缺少时间维度的全面有效信息。而感兴趣区域(Region of Interest,ROI)是病灶区中的一小部分,也称为疑似病灶区,对该部分的准确跟踪即目标区域的跟踪可以有效定位病灶区域。超声科医生为更准确的诊断病灶区,首先人工选定视频序列每一帧中的ROI,并按照整个时间维度的信息进行全局观察。如果能用计算机手段辅助医生跟踪病灶区目标的变化,不仅节约医生的时间,而且提高医疗诊断的效率。因此构建超声造影病灶区目标跟踪方法的研究,辅助医生对疾病进行科学判断,进一步减少主观判断带来的影响。本文主要研究内容包括三部分:超声造影图像预处理,微分光流和深度学习特征融合的目标跟踪和跨模态数据迁移的目标跟踪模型。超声造影图像预处理包括图像去噪和图像增强。针对超声造影图像中存在的散斑噪声,在不丢失细节信息同时采取基于边缘增强的各向异性扩散模型(EEAD)。针对超声造影剂未至之前造成的图像灰暗现象,对MSRCR算法改进。本文提出基于简单色彩平衡的MSRCP方法,一方面抑制病灶区非感兴趣区域的特征,另一方面丰富有效的信息量,加强图像判读和下一步对病灶区目标跟踪的需要。本文提出微分光流和深度学习特征融合的目标跟踪。针对粒子跟踪过程中出现的粒子漂移和退化现象,首先采取光流法对上一帧图像进行全局检测,接着通过光流分量计算粒子的权重后重新分布。然后在特征提取上,使用深度学习替代传统方法,最后将产生的候选粒子区域输入卷积神经网络中。实验证明通过融合深度学习提取的粒子区域特征,能有效改善粒子漂移,减少跟踪误差,提高跟踪的准确性。本文提出构建跨模态数据迁移的目标跟踪模型。利用不同模态的医学影像数据之间的共性,采取超声灰阶图像作为中间过渡数据,将自然图像训练的模型迁移到超声造影图像上,最后将模型应用于粒子滤波框架跟踪的特征提取中。实验结果表明,训练出的模型能够有效提取超声造影图像的特征,提高跟踪的准确率。除此之外跨模态数据迁移思想,不仅可以使用在跟踪领域,同样适用于图像良恶性识别方面。