生物组织的弹性变化通常与组织病理现象有直接关系。超声弹性成像能够反映生物组织的弹性分布情况,可以为病理诊断提供参考。在超声弹性成像算法步骤中,组织的位移和应变估计是关键。然而,由于超声探头轴向分辨率高而侧向分辨率较低的因素,大部分算法只能得到轴向位移而难得到的侧向位移,已有算法得到的侧向位移和应变包含了大量噪声,图像质量较差。本文通过引入生物力学模型进行约束,结合卡尔曼滤波器,提出了利用状态空间滤波框架,从轴向位移出发迭代得到全局位移场的方法,具体内容有：在小形变情况下提出生物力学模型假设,将组织近似为线弹性材料,结合弹性力学原理,从位移、应变、应力和杨氏模量之间的关系方程,并引入惯性力和阻尼力,修正静态弹性力学方程。利用有限元方法对组织区域进行三角形单元划分和刚度矩阵的组装计算,使用加大数法将位移边界代替力边界条件,获得基于有限元的动态方程矩阵形式。利用状态空间滤波框架恢复全局位移场,将侧向位移分量和轴向位移分量作为状态变量,对动态方程进行基于状态空间的变换,获得状态方程和测量方程。将系统噪声和测量噪声看成高斯白噪声,构建卡尔曼滤波器方程组。进行变量初始化设置,从超声信号获取的轴向位移中估计出侧向位移和经过滤波的轴向位移。轴向位移的获取使用了相位互相关算法,应变估计利用了最小二乘法。实验设计了仿真实验、模具实验与临床实验三套数据对算法进行分析。利用仿真数据在位移误差、噪声容忍度、参数设置对本算法进行了分析,并在模具数据和临床数据进行比较,结果表明算法取得了较好的效果。对于基于状态空间的滤波算法计算效率较差的问题,本文结合CPU和GPU的特点,对算法进行基于GPU的程序设计和加速处理。在比较和分析基于CUDA的有限元和矩阵乘法加速设计的基础上,对卡尔曼滤波器编程设计,对需大量矩阵运算的并行代码放入GPU中执行,并从处理时间和误差上与CPU作比较,获得较好的加速比。