医学超声成像因其成本低廉、安全可靠及实时无创等优点被广泛应用于肝脏组织的临床检测中。由肝损伤引起的肝纤维化是一种全球性的肝脏疾病,严重影响了人们的身体健康和生命安全。因此,及早地检测和干预肝纤维化具有重要的临床意义。散射体密度与肝纤维化进展有直接关系。现有的散射体密度定量超声肝纤维检测算法大都基于统计分布与参数分析,存在检测不准确和鲁棒性差的问题。因此本文提出了一种基于定量超声的统计分析与参数成像检测算法,以及一种基于深度卷积神经网络的肝纤维检测算法。通过不同散射体密度的超声仿真数据实验表明,相比于传统算法准确率提高了5%以上,特别是基于深度卷积神经网络的检测算法,在散射体密度较低的情况下仍有较好表现。通过兔子肝纤维真实数据实验表明,本文所提的两种算法均能准确检测到肝纤维组织,具有良好的临床应用前景。超声非线性系数是一种对生物组织结构及病理状况反映灵敏的声学参数,特别是在肝脏类疾病中,相比于正常组织,其参数值具有明显的差异。目前关于非线性系数的测量研究,所需实验装置精密复杂且存在求解困难的问题。因此,本文通过非线性仿真软件CREANUIS获得具有准确非线性系数的仿真数据,并在此基础上提出了基于基波与二次谐波包络信号的两种机器学习回归预测算法:深度卷积神经网络（CNN）和卷积神经网络与支持向量混合回归算法（CNN-SVR）,以及一种基于Nakagami双参数的混合参数优化支持向量回归算法（HGP-SVR）。在仿真数据上的实验表明,CNN-SVR和HGP-SVR算法优于CNN回归模型,且CNN-SVR混合回归算法表现更优。在真实肝纤维数据上的实验表明,预测结果符合预期范围。相比于现有算法,本文的方法易于实施、预测精度较高且便于临床实践应用。