B型超声成像在临床上应用广泛。超声检查实时、无辐射、性价比高,拥有其它医学成像方式无法企及的优势。但是在实时B型超声成像中,图像的分辨率受到穿透深度、成像时间和成像设备的限制。针对这一局限性,本文提出使用超分辨率（Super-resolution,SR）技术增加B型超声图像的分辨率。近年来,卷积神经网络（Convolution Neural Network,CNN）在自然图像超分辨率重建中表现出良好的性能,但是这些方法并不能很好的改善图像纹理。超分辨率生成式对抗网络（a Super-resolution Generative Adversary Network,SRGAN）很好的解决了这一问题,但它是在图像特征空间优化超分辨率模型,更注重人眼的视觉感受。B型超声图像具有散斑噪声的特性,散斑噪声可以看作是一种颗粒状纹理。对B型超声图像超分辨率重建来说,除了散斑噪声的细度,重建结果与真实图像在像素空间中的近似程度也很重要。本文采用并改进了SRGAN模型的网络结构、损失函数和训练数据集,使用改进SRGAN增加了 B型超声图像轴向和横向分辨率。这一工作的主要目标是增加B型超声图像的分辨率,并使重建结果尽可能接近真实的高分辨率图像。实验结果表明,与常用SR方法（比如MATLAB[MathworksInc.,MA,USA]中使用的双三次插值法）和SRGAN相比,本文改进的SRGAN重建的高分辨率B型超声图像具有更精细的纹理和更清晰的边缘。这一研究得出的结论是:本文改进的SRGAN能够增加B型超声图像的分辨率,提高重建后的B型超声图像的散斑噪声精细度,重建出更接近真实高分辨率图像的结果。运动位移估计在准静态超声应变弹性成像（Quasi-static Ultrasound Strain Elastography,QUSE）中十分重要,可用来产生应变弹性图,推断组织的硬度。QUSE使用组织压缩前和压缩后的两帧超声射频（Radio-frequency,RF）回波信号来进行运动追踪,RF信号的质量与位移估计的结果密切相关。但是,超声RF信号的横向（垂直于声束方向）分辨率是显著低于轴向（平行于声束方向）分辨率的,多数情况下需要增加RF信号的横向分辨率。本文提出在运动估计前,使用基于生成式对抗网络（Generative Adversary Network,GAN）的超分辨率 RF 神经网络（a Super-resolution Radio-frequency Neural Network,SRRFNN）对超声RF回波信号沿着横向插值（上采样）以增加RF信号横向分辨率。这一工作的主要目标是研究使用基于GAN的超分辨率方法来增加RF数据横向分辨率,从而提高QUSE中应变图像质量。实验结果表明,与使用原始超声RF数据获得的轴向应变弹性图相比,使用本文提出的SRRFNN模型上采样的超声 RF数据可改善轴向应变弹性图。根据Wilcoxon秩和检验,对于较大的形变（3-5%）,这种改善具有统计学意义（p＜0.05）。此外,从改善轴向应变弹性图的角度出发,本文提出的SRRFNN模型还优于常用的双三次插值法。这一研究得出的结论是:应用本文提出的SRRFNN模型可以增加RF数据横向分辨率,并在真实人体乳腺肿瘤超声数据中获得高质量的应变弹性图。