脑动脉中的栓子有可能阻塞脑血管而引起短暂性脑缺血或脑卒中等脑血管疾病,具有很大的危害性。采用经颅超声多普勒仪可以无损检测栓子,在临床上得到广泛的应用。然而由于各种人工干扰的存在,准确检测栓子依然是临床上的一大挑战。本论文针对传统的栓子检测方法的局限性,旨在建立一个分类正常血流信号、栓子信号和干扰噪声三类超声多普勒信号的高性能自动检测系统。　　 本文提出的几种新的超声多普勒栓子信号的检测方法,主要可以分为两个方面：⑴采用信号处理的新方法,分析超声多普勒信号的时频特征,并从中提取相关的敏感时频参数；⑵对已经获得的各种特征参数或降维后的信号表示,建立一定的超声多普勒信号的自动检测系统。在第一个方面的工作中,本论文提出了小波尺度图法、自适应小波包基法和自适应Gaussian-Chirplet分解法对超声多普勒信号的非正则特性、最优逼近特性和时频成分的自适应分解三个角度进行分析,并提取了信号在这三个方面的12个特征参数。这些特征参数构成了多参数分类判决系统的特征矢量。在第二个方面的工作中,本文提出了基于多参数的Fisher广义最佳鉴别空间法和Takagi-Sugeno模糊神经网络直接分类法用于建立栓子信号的自动检测系统。其中,基于多参数的Fisher广义最佳鉴别空间根据在时频参数提取中获取的高维特征空间,通过线性特征抽取和优化,进一步改善和提高栓子信号的检测率和鲁棒性；而Takagi-Sugeno模糊神经网络直接分类法采用自适应小波包基对信号进行降维,并有效结合相应的模糊逻辑规则,实现对超声多普勒信号的直接分类。这种方法有利于全面考察信号的特征,并大大提高了栓子检测的时间性能,更符合临床诊断的特点。通过对300例计算机仿真的超声多普勒信号和298例临床采集的超声多普勒信号的实验研究,结果表明：不同方面的特征参数具有不同的信号分类能力。实际应用中,需要充分利用各种参数的优势,才能达到更好的栓子信号检测效果；两种栓子信号自动检测系统都能达到较理想的分类效果。然而从时间性能和系统优化的角度考虑,Takagi-Sugeno模糊神经网络直接分类法优于基于多参数的Fisher广义最佳鉴别空间法。