超声多普勒技术因无创伤检测血管疾病，在临床医学中具有广泛的应用。运动的红血球细胞反射的超声波束形成了超声多普勒血流信号，诊断信息就可由此信号中提取。然而在利用超声多普勒技术检测血流时，血管壁的搏动会使回波信号产生频移，且血管壁搏动的速度一般比较低，它的影响通常出现在与超声多普勒血流信号频段重合的的低频部分。因此，研究血管壁搏动信号和血流信号的分离方法，尽可能保留血流低频段的信号，提取出较为完整的超声多普勒血流信号，成为近年来研究的一个重要课题。 对超声多普勒血流信号传统的处理方法通常采用高通滤波器的方法来消除血管壁搏动的影响，但是，这种方法在滤除血管壁回波信号的同时，也滤除了频带中与之重合的靠近血管壁的低速血流信号。本论文根据超声多普勒血流信号和血管壁搏动信号时频特性，提出了一种新的方法——经验模式分解方法EMD(empiricalmodedecomposition)，来实现超声多普勒血流信号和管壁信号的分离。经验模式分解方法运用基于经验的模态方法，将一个时间序列信号分解成有限个不同时间尺度的内在模态函数IMF(IntrinsicModeFunctions)。然后，一种基于管壁信号和多普勒血流信号功率比的算法被运用来自动识别出来自于管壁信号的内模函数IFM，获取多普勒血流信号。这种方法在尽量保留血流信号的同时滤除了管壁信号，减少了传统的高通型管壁滤波器对低频血流信号带来的损失。 为了研究血流信号和管壁搏动信号的分离方法，验证新方法的合理性，论文基于血流和血管壁的物理模型，首先用计算机仿真的方法，模拟了多种不同功率比的管壁和超声多普勒血流混合信号，然后采集了人体颈动脉的真实血流信号，并将这二种信号源用于新算法的验证，同时和传统的高通滤波器方法进行比较。实验结果表明：新方法在滤除管壁搏动信号的同时，保留了低频部分的超声多普勒血流信号，性能优于传统方法，为我们提供了更精确的低速血流信号。