در سال های اخیر تکنیک های وفقی شکل دهی پرتو به منظور افزایش کیفیت تصاویر اولتراسوند پیشنهاد شده اند. این روش ها به جهت استفاده از اطلاعات محیط و به روز کردن وزن های اعمالی به عناصر آرایه به صورت لحظه به لحظه، موفقیت زیادی در بهبود رزولوشن تصاویر اولتراسوند داشته اند. مهم ترین مشکل شکل دهنده های پرتو وفقی ارائه شده در زمینه تصویربرداری اولتراسوند، که اکثرا بر مبنای شکل دهنده پرتو مینیمم واریانس (mv) طراحی شده اند، این است که این روش ها، علیرغم بهبود قابل توجه رزولوشن، توفیق چندانی در بهبود کنتراست تصاویر اولتراسوند ندارند و نیز پیچیدگی محاسباتی بالای این روش ها در مقایسه با روش های غیروفقی، پیاده سازی آنها را در عمل دچار مشکل می کند. در این پایان نامه راهکارهایی را برای حل این دو مشکل اساسی در شکل دهی پرتو وفقی تصاویر اولتراسوند ارائه داده ایم. در این پایان نامه، پیاده سازی شکل دهنده پرتو بصورت دو شکل دهنده متوالی که هر کدام آنها می تواند از پیش تنظیم شده(preset) یا وفقی (adaptive) باشد، مورد مطالعه قرار می گیرد. ما با هدف بهبود کنتراست شکل دهنده پرتو وفقیmv بدون از دست دادن رزولوشن بالای آن در تصویربرداری اولتراسوند، روشی را بر مبنای وزن دهی وفقی در دو طبقه متوالی ارائه کرده ایم و نشان دادیم این روش با حفظ مرتبه پیچیدگی محاسبات، کنتراست تصویر را به میزان قابل توجهی بهبود می بخشد. در این روش، با اعمال وزن های وفقی یکسان در دو طبقه متوالی سیگنال های تداخلی دریافتی توسط آرایه دوبار تضعیف می شوند. این شکل دهنده پرتو با حفظ سیگنال های لوب اصلی و کاهش موثر سیگنال های لوب های کناری، کنتراست را نسبت به شکل دهنده های پرتو وفقیmv بهبود می بخشد و در برابر تغییرات سرعت صوت در محیط تصویربرداری اولتراسوند،مقاومت بهتری نشان می دهد. در راستای کاهش پیچیدگی محاسباتی شکل دهنده پرتو وفقیmv، که محدودیت بزرگ این روش در مقایسه با شکل دهنده پرتو غیروفقی تاخیر و حاصلجمع (das) می باشد، روشی را برای تصویربرداری اولتراسوند پزشکی ارائه کرده ایم. در این روش تضعیف سیگنال های تداخلی در دو طبقه متوالی صورت می گیرد. در طبقه ی اول با استفاده از وزن های ثابت و از پیش تعیین شده، سیگنال های مزاحمی که از زوایای دور از محور اصلی دریافت می شود، حذف می شوند. در طبقه دوم، با وزن دهی وفقی بر اساس روش mv، سیگنال های مزاحمی که از نقاط نزدیک نقطه مورد نظر به آرایه می رسند، به شدت تضعیف می شوند. از طرفی، در طبقه دوم می توان تراکم داده های دریافتی از طبقه اول را کاهش داد یعنی در طول مکان، کاهش نرخ داد. از آنجا که این کاهش نرخ نمونه سبب کاهش طول موثر آرایه نمی شود، پهنای لوب اصلی و در نتیجه رزولوشن سیستم تغییری نمی کند اما بدلیل کاهش نرخ نمونه ها، حجم محاسبات 3dبرابر کاهش می یابد که d ضریب کاهش نرخ نمونه است. ضمن اینکه شبیه سازی ها، مقاومت مطلوب این روش را در مقابل خطاها تایید می کند.