超声剪切波弹性成像作为一种新兴技术很好的解决了早期超声弹性成像不能定量的计算弹性模量的问题。该项技术的基本原理是通过超声换能器激发声辐射力,使得剪切波在组织中传播,然后再计算出剪切波在组织中传播的波速,最后通过反演公式计算出弹性模量。剪切波弹性成像分为两个主要步骤:运动位移估计和剪切波波速估计。运动位移估计由于要计算多帧的超声射频信号,所以要消耗大量的时间。在医护人员在进行实际的诊断时,过长的成像时间不仅会增加诊断设备的计算负担,而且还会使得病人产生一定的焦虑感进而影响诊断结果,所以需要一项技术能够减少成像的时间开销。针对于二维超声射频信号的运动位移估计,GPU（Graphics Processing Unit）平台可以解决时间开销的问题,同时为了减少数据拷贝的时间开销,需要将剪切波波速估计算法在GPU平台上进行实现。虽然已经有一些研究将剪切波弹性成像的相关算法应用在GPU上,但是还没有相关研究将这些算法在GPU平台上做出过系统性的性能比较。本文的贡献是比较剪切波弹性成像的相关算法在GPU平台上的计算性能,并给出了相应算法在GPU平台的上的并行策略。为生成可供研究的实验数据,本文首先从剪切波弹性成像的模拟入手,讨论了模拟方案中的参数选择,详细介绍了声辐射力和剪切波在组织中传播的模拟过程。然后比较了基于和表法的快速运动位移估计方法在采用不同的相似/相关评价方法时,在GPU平台上的计算性能。同时给出了算法在GPU平台上所采用的并行策略和访存优化方法。最后,比较了以TTP（Time of Flight）算法为理论基础的基于RANSAC（Random Sample Consensus）滤波的TTP算法,拉东和算法和时域傅里叶域速度匹配算法在GPU平台上的计算性能,抗噪性能以及算法精度,并且给出了这三种算法的理论基础,计算流程,伪代码实现以及GPU平台上的并行策略。通过实验结果表明,GPU平台上的快速运动位移估计方法不会受到追踪窗口大小的影响,但是随着搜索范围的增大导致计算性能会有所下降,其中未展开SSD（Sum of Square Differences）,SAD（Sum of Absolute Differences）和CC（Cross-correlation）三种方法受搜索范围影响较小,NCC（Normalized cross-correlation）和展开后的SSD受到的影响较大。在GPU平台上,剪切波波速估计算法都能有一定的性能提升,其中基于RANSAC滤波的TTP算法和时域傅里叶域速度匹配算法的性能提升较大。时域傅里叶域速度匹配算法和拉东和算法在在降低信号质量时依然能够相对精准的估计出模量值（信噪比至少大于10dB）,而基于RANSAC滤波的TTP算法明显的偏离了真实的模量值（信噪比小于10dB）。另外,时域傅里叶域速度匹配算法还有一个优势在于能够提高模量估计的空间分辨率。