随着超声成像和医学诊断技术的发展，超声已成为甲状腺癌检查的主要手段之一。当前，甲状腺癌的确定主要通过医生对B超图像的定性判别来完成，但由于甲状腺癌生物学特性多变以及各大医院诊断侧重点的不一，使得诊断结果易受医生的经验、水平、状态等因素的影响，诊断结果的准确度很难保证。因此，需要建立一种客观的方法，为医师诊断甲状腺疾病提供必要的辅助手段。集成学习是机器学习中的一种新型技术，它是在对新的实例进行分类的时候，把若干个体分类器集成起来，通过对多个分类器的分类结果进行某种组合来决定最终的分类，通常情况下，集成学习能够获得比单个分类器更好的性能。论文将动态集成技术引入到医学图像的分类问题中，研究如何利用动态集成算法在分类上的优势解决甲状腺B超图像分类识别中识别率低的问题。针对上述存在的问题，本文对特征提取量化、集成算法等方面进行了深入的研究，主要获得以下研究成果：1.针对传统集成算法无法获得稳定分类精度的问题，对基于聚类的动态集成算法进行了改进，改进k-means聚类算法的目标函数和与能力区域距离计算公式，得到一种新的聚类和距离测量标准，提高了集成算法的分类准确率；同时，提出了一种选择加权动态集成方法，采用多个分类器进行并联集成，以此来增加分类模型的稳定性；最后，通过实验证明了本文改进算法的有效性。2.通过分析甲状腺B超图像，研究甲状腺良恶性结节在超声图像上的不同特点，综合考虑临床鉴别甲状腺结节的各种特征，分别对其进行量化，并提出了针对甲状腺结节特有的微钙化度度量方法，最终提取了最能描述结节性质的圆形度、衰减系数、微钙化度等9个特征参数作为甲状腺疾病数据集，为医生提供较为客观的量化参数。3.为衡量本文算法分类器的性能，将本文基于改进动态集成的方法与相似研究常用的线性判别、BP神经网络和SVM算法进行了分类效果的比较，证明了本文算法的优势。