血液中流动的栓子是引起脑血管疾病的主要原因之一，对栓子的准确检测可以为早期诊断脑血管疾病提供可靠依据，具有重要的临床意义。超声多普勒技术以其在血流测量方面的独特优势在栓子检测中有着广泛的应用。但是目前利用超声多普勒技术检测栓子存在着工作量大、重复性差、准确性因人而异的缺点，因此需要建立一个对正常超声多普勒血流信号、含有栓子的信号以及含有人为干扰噪声的信号能够自动分类判别的检测系统。 论文对超声多普勒栓子信号的检测研究分为两种思路：一是基于特征参数提取的检测系统，从超声多普勒信号中提取敏感特征参数并将它们融合起来建立栓子信号的自动检测系统；二是基于一定准则的直接分类系统，对不同种类的信号直接进行分类判别。 在第一类系统中，特征参数提取方面主要研究了两种方法：一是基于短时傅里叶变换和修改的群延迟函数的方法。利用信号的修改群延迟函数对短时傅里叶变换得到的传统声谱图进行改进，提高了声谱图的频率分辨率和抗噪性能。然后用基于图像的方法从声谱图中提取特征参数Rs；二是基于主元分析的方法。利用三类信号不同的统计特性，从分离信号主元成分的难易程度出发提取出相应的特征参数Rry和k。基于以上参数和传统的时域分析法、频域分析法和小波包分解法得到的特征参数MMR，σfmin和numT，文中主要讨论了两种构建方法实现多参数的融合：一是反向传播(BP)神经网络；二是基于模糊集理论的非二值化分类器。 在第二类系统中，针对传统的Fisher线性判别准则在实现过程中面临的困难，文中对其进行一定的修改得到最优判别准则。基于该准则计算最优的投影向量进行信号的分类判别，并加入小波包分解预处理来提高分类的性能。 实验数据采用300例仿真超声多普勒血流信号和168例临床采集的脑动脉超声多普勒血流信号。通过这些信号分别分析了单项特征参数的分类能力，多参数融合之后的系统分类能力以及对信号直接分类的结果，并从检测准确率和运算量两方面比较了两类栓子信号检测系统的优缺点。结果表明：文中提出的两类栓子检测系统在检测准确率和运算量方面各有优缺点。两者均能有效地区分三类超声多普勒信号且分类性能优于传统方法，有望应用于超声多普勒栓子信号的在线自动检测。