随着生活质量的提高,具有较高致残率、致死率的心血管病已成为一种严重威胁人类生命的疾病。而早期的确诊能够提高疾病的治疗效果,对疾病的整个治疗过程具有重大作用。近年研究发现心血管疾病的早期,血管壁中心部分的血流速度不会发生明显的改变,而靠近血管壁的低频血流流速则会发生明显改变,进而使该部分血流的超声多普勒信号可能携带相关疾病的诊断信息。因此准确的检测到更多靠近血管壁的血流变化,将有助于心血管疾病的早期诊断及治疗。而在心血管疾病的检测方法中,无创性的超声多普勒技术能获取较多的心血管运动的动态信息,因此在临床上应用广泛。但是在对心血管进行超声多普勒检测时,由于血管壁的超声多普勒信号也是低频的,所以血管壁信号与低频血流信号很容易混叠起来,很难准确的分离出血管壁信号和血流信号。因此如何准确地分离血管壁信号与血流信号,从超声多普勒混合血流信号中提取出准确的血流信号仍是一个重要的研究课题。近年来,出现了多种对超声多普勒血流信号进行分离提取的方法,其中经验模态分解(Empirical Mode Decomposition, EMD)算法在这众多方法中是很客观的一种,也可以说是众多分离方法中比较简单、容易实现且效果很好的一种。但是EMD算法并不能准确的将血流信号和血管壁信号分离,提取血流信号的准确度不高。因此为了在检测多普勒血流信号时,能够尽可能准确的保留低频血流成分,提取出较完整的血流信号,本论文在EMD算法的基础上提出了基于自适应滤波的经验模态(EMD based-adaptive filter, EMD_AF)算法。EMD_AF算法主要是将EMD算法与自适应滤波算法相结合,它的原理是:先让超声多普勒混合血流信号经过EMD算法分解,得到若干个内模函数,然后再将这些内模函数经过自适应滤波器,经过滤波器不断的自我调整修正,使输出信号向期望信号(血管壁信号的相关信号)靠近,然后得到误差最小的输出信号(提取出的血管壁信号),这样就能够较准确的分离提取出血流信号,能够更准确的保留靠近血管壁的低频血流成分。EMD_AF算法结合了经验模态算法和自适应滤波算法的优点,能够更好的处理非线性、非平稳信号。为了验证本论文提出的新算法的性能,本文利用计算机仿真模拟了血管壁信号和超声多普勒血流信号的混合信号,并对新算法与传统EMD算法性能进行了比较分析。实验结果表明:新方法不仅能够更准确的分离血管壁信号,同时还能保留大部分靠近血管壁的低频血流成分,能够较准确的提取出多普勒血流信号。因此EMD_AF算法的性能远远优于传统EMD算法,可以保留较完整的低频血流成分,提取出较准确的血流信号,能够为心血管疾病的早期诊断提供准确而重要的依据。