医学超声成像技术具有实时、无创、无电离辐射以及低成本的优点,作为一种重要的医学影像检查方式广泛应用于临床诊断。在超声成像系统中,优秀的波束形成技术能够从对比度与分辨率方面有效的提升超声图像的质量。传统超声成像使用低复杂度的延时叠加方法重建超声图像,但其仅对回波信号进行简单地相加,不能区分期望信号和杂波,导致生成宽主瓣和高旁瓣的低质量图像。近年来,基于回波信号特征信息的自适应波束形成技术被证明能够产生窄主瓣以及低旁瓣的高质量波束,在超声成像领域成为了研究热点。本文在现有自适应波束形成算法的基础上,进一步研究了其改进方法以及设计新的波束形成算法以提高图像质量。完成的主要研究工作和成果总结如下:首先,本文介绍了传统的延时累加波束形成技术和自适应波束形成技术。因超声信号强相关性等特点,传统波束形成算法稳健性较差,平滑技术一定程度上解决了超声信号强相关性的问题,但是却带来了孔径损失。然后,针对传统平滑技术存在孔径损失的问题,本文使用了一种虚拟子阵平滑技术,设计了基于虚拟子阵的特征空间最小方差波束形成算法（virtual subarrays eigenspace-based minimum variance,VS-ESBMV）。一方面,该算法可以有效地避免阵列孔径的损失,提高超声图像的空间分辨率;另一方面,该算法保证了对超声回波信号解相关的能力,有效提升了自适应波束形成算法的稳健性。然而虚拟子阵的应用会增加超声回波信号矩阵的维度,从而增加了矩阵求逆与特征值分解的计算量,为此,设计了波束域虚拟子阵特征空间最小方差波束形成算法（beamspace virtual subarrays eigenspace-based minimum variance,BVS-ESBMV）。该方法将阵元域波束形成转换到波束域进行。通过构造合适的转换矩阵,在波束域选择对超声图像贡献最大的波束进行波束形成,从而降低整个波束形成算法的计算量,提高了其可移植性。最后,本文设计了长短时记忆神经网络（Long Short-term Memory Networks,LSTM）的波束形成器。神经网络技术已经证明了其在拟合输入与输出之间非线性关系的能力,也成功应用于现实中的预测分类等问题。针对超声这种时序信号,本文搭建了LSTM波束形成器,基于特征空间最小方差波束形成算法,由阵元接收的超声信号计算其权矢量,将ESBMV算法得出的数据输入LSTM网络,对其加以训练;将训练好的LSTM波束形成器对不同的超声回波信号生成权系数并进行波束形成,最终的成像效果与ESBMV算法不相上下,甚至近场的分辨率优于ESBMV算法。综上,本文分别通过对自适应波束形成的子阵平滑算法改进,解决了它们在超声成像中存在阵列损失的缺点,进一步提高了波束形成算法的稳健性与超声成像的图像质量。此外,将基于虚拟子阵的波束形成方法转化到波束域,有效地解决了因虚拟子阵增加维度而带来的计算量增大的问题,提高了该算法的可移植性。特别地,设计了波束赋形效果良好的基于神经网络的波束形成器,对于医疗超声在人工智能方向的发展具有重要的学术意义和研究价值。