颈动脉（CA）疾病引起的心血管疾病（CVD）是继心脏病和癌症之后最常见的死亡原因之一。这种疾病会阻止血液从心脏流向大脑和面部,导致大脑缺氧,进而引发突发性疾病。动脉粥样硬化是心血管疾病的病理基础,早期检测和诊断颈动脉斑块对患者后期治疗至关重要。超声成像能够快速成像,并且具有无损伤、无辐射,具有简便、可重复性、经济实惠等优点。临床研究显示利用超声图像检测颈动脉斑块与通过病理检测的结果有较高的一致性,因此通常选用超声来检查颈动脉。然而一般超声图像分辨率不高并且通常检测方法是手动或半自动,检查结果具有较强主观性。本文基于颈动脉超声图像展开研究,主要解决了超声序列关键帧提取、超声图像超分辨率、颈动脉病变区域分割以及颈动脉斑块检测等问题,为颈动脉疾病的临床计算机辅助诊断提供了有效的方法。本文的工作和创新点如下:（1）在超声探头扫描期间,噪声、不均匀灰度像素以及医生扫描手法等因素易导致超声序列冗余信息较多的问题,本文针对此问题提出一种颈动脉超声序列关键帧组提取算法。首先结合SVM和血管HOG特征筛选颈动脉超声视频中包含血管横截面的信息帧;其次,依据血管形态将超声视频信息帧聚类;最后,利用图像质量评价算法NIQE-K从信息帧簇中选择质量最好的帧作为最终关键帧组进行后续处理。采用量化指标PLCC、SROCC、RMSE、KROCC对实验结果评估,验证了算法的有效性。（2）超声图像易受超声仪器型号、成像原理、人工操作的限制,导致图像质量不高、分辨率较差,同时病灶区域较小,给疾病检测带来困难,提出一种基于生成对抗网络的超声图像超分辨重建算法（USRGAN）和感兴趣区域提取算法。USRGAN采用了多尺度卷积模块和多层次图像特征融合的网络结构,用兔子肝脏、人体肝脏、颈动脉等超声图像数据集进行模型训练,对重建超声图像进行主客观质量评价,实验结果表明USRGAN在每个数据集的表现均高于Bicubic、SRCNN、SRGAN等方法,能够清晰重建病灶细节和器官结构。在感兴趣区域提取中,利用血管远端成像具有明亮清晰和内中外膜分层明显的特点,提出了一种结合血管形态信息和高斯混合模型（GMM）的自动定位提取感兴趣区域算法。消融实验表明,感兴趣区域的提取提高了斑块分类准确性。（3）针对传统颈动脉斑块检测算法精度不高,分类不明确等问题,本文提出了一种基于卷积神经网络的斑块检测模型（DCP）。本文采用颈动脉血管远端壁感兴趣区域作为训练集,实现颈动脉斑块的分类。实验结果显示DCP模型准确度、敏感度、特异度分别为91.5%、89.8%、93.9%均优于传统算法,且具有较好的鲁棒性。同时结合注意力机制设计基于卷积神经网络的斑块性质检测模型（PPD）,解决颈动脉斑块性质易损和稳定判定的二分类问题,准确率达到了85.5%,相较于主干网络准确率提高了4.2%。本文DCP模型及PPD模型的提出,为临床计算机辅助诊断颈动脉疾病进行了有效探索。