超声成像凭借其操作简单,安全性高和实时成像等特点在医学和工业检测方面具有广泛的应用,数字波束形成算法作为超声成像的关键技术,一直都是研究的热点问题。自适应数字波束形成技术在一定程度上克服了传统延时叠加技术成像分辨率和对比度不足的缺点,但由于自适应数字波束形成技术在运算过程中涉及大量复杂的矩阵运算,数据处理量大,因此存在算法复杂度高、鲁棒性差的问题。针对这两个问题,本文对自适应算法中典型的广义旁瓣相消算法和最小方差算法分别进行了如下改进研究:(1)针对广义旁瓣相消算法存在的算法复杂度高、鲁棒性差的问题,本文第三章提出了波束域广义旁瓣相消算法(BGSC),该算法首先利用离散余弦变换构造转换矩阵将超声回波信号由阵元域转换到波束域,以信号失真量最小为原则确定降维参数,减小样本协方差矩阵的维数,相比原始的广义旁瓣相消算法,即提高了算法成像的鲁棒性又降低了算法的复杂度,减少了算法的运行时间。(2)针对广义旁瓣相消算法存在的算法鲁棒性差的问题,第三章提出了基于特征空间的广义旁瓣相消算法(IGSC),提高了算法的鲁棒性和成像的对比度,该算法首先通过对接收回波数据的协方差矩阵进行特征值分解来提取信号子空间;其次将广义旁瓣相消器中的非自适应部分投影到信号子空间中以获得新的权矢量;随后基于新权矢量的正交互补空间,构造阻塞矩阵;最后通过将得到的加权矢量投影到信号子空间中获得最优权矢量。仿真成像结果表明:该方法在成像对比度、算法鲁棒性方面均优于原始广义旁瓣相消(GSC)算法。(3)针对基于特征值分解的最小方差算法存在的算法复杂度高、鲁棒性差的问题,本文第四章提出了融合特征值分解的低复杂度最小方差(IBMV)超声成像算法。首先,利用离散余弦变换将回波数据转换到维数较少的波束域,然后对波束域样本协方差矩阵进行特征值分解提取出较大特征值对应的特征向量作为信号子空间,并选取最大的特征值和其对应的特征向量,其余特征值在保证样本协方差矩阵迹不变的情况下取相同值,将矩阵的求逆运算简化为向量的乘法运算,从降低协方差矩阵维数和简化矩阵求逆两方面来降低算法的复杂度。(4)针对最小方差算法存在的算法复杂度高的问题,第四章提出了基于快速傅里叶变换的最小方差与相干系数融合算法(STFTMV-CF),该算法首先对每条扫描线的时域回波数据进行人为地分段,再利用快速傅里叶变换对数据进行处理,得到傅里叶变换后的窄带频域数据,对每一段频域数据分别进行最小方差波束形成处理,利用傅里叶变换的共轭对称性,只对一半数据进行加权求和,另一半则求其共轭对称数据即可得到所有回波数据的波束形成结果,将该结果与频域相干系数进行融合进一步降低成像伪影。仿真成像结果表明:该算法在成像分辨率、算法运行时间方面优于基于特征值分解的最小方差(ESBMV)算法;在算法成像分辨率、对比度以及算法运行时间方面均优于最小方差(MV)算法。