平面波成像技术成像速度快,是超声成像中常用的成像模式。平面波成像过程中的采样频率对成像质量影响很大,采样频率越高,成像质量越好。但高频采样所需的高频模数转换芯片依赖进口,价格高昂且对我国限售,而低采样频率设备虽然容易获得,但成像质量差。所以提高低采样频率射频数据的成像质量具有重要的现实意义。本文的研究目的即为提升低采样频率平面波射频数据的成像质量。超声图像成像质量主要受纹理、颜色等浅层特征影响。低频数据的浅层特征差而高频数据的浅层特征较优。因此可以将低频数据中的浅层特征替换成高频数据的浅层特征,仅保留低频数据的深层特征,通过特征融合来提高低频数据的成像质量。传统波束形成算法难以分别提取深层浅层特征,而深度神经网络更擅长提取特征,因此本文采用深度神经网络方法进行超声成像,从而提高低频数据的成像质量。主要的工作内容如下:通过分析采样频率对平面波超声射频数据的影响,本文基于U-Net网络和生成对抗网络,提出了一种适用于低采样频率平面波超声射频数据的新型超声成像方法——低采样频率波束形成生成对抗网络。网络中的生成器可以从低采样频率的平面波超声射频数据中提取到深层特征,并通过对抗训练获取到高采样频率图像中的浅层特征,对二者进行特征融合来重建出高质量的超声图像。本文在仿真囊肿数据集上对实验结果进行了分析,相较于传统的波束形成成像算法,本文方法在多个超声图像质量评价指标上获得了更好的效果。为了进一步提高成像质量,本文提出了一个去除乘性伽马噪声的去噪模块。通过在低采样频率波束形成生成对抗网络中添加此模块,可以在超声成像过程中完成去噪。并在仿真囊肿数据集和甲状腺超声数据集上验证了该去噪模块的有效性。本文使用对抗学习的方法,通过分别提取深层和浅层特征并进行特征融合,以及添加去噪模块等方法提高了低采样频率平面波射频数据的成像质量。