甲状腺癌是一种以颈部甲状腺区域结节为首发症状的疾病,它是目前发病率最高的癌症之一,所以准确地找到甲状腺结节以及判断出结节的良恶性,对甲状腺癌症防治和手术选择都有着重要意义。而随着计算机辅助检测技术的出现,运用了深度学习技术对甲状腺结节医学图像进行自主获取特征与分类,可以帮助医师更好的分析病情,减少主观误差。目前甲状腺结节临床的主流检测方法主要分为超声检测和CT检查,然而其图像会存在诸如噪音、清晰度等问题,使得甲状腺结节的识别分类依旧极具挑战。本文针对甲状腺超声图像和CT图像特性,分别研究和开展了相关工作:（1）研究了基于残差结构的超声图像分类系统,并设计了一个经过改进的Res Net50模型,利用深层网络来提取图像整体综合特征。针对图像存在的结节边界模糊、椒盐噪声问题,设计了自适应直方图均衡化和中值滤波来进行数据预处理。并通过设计实验组,对比了Le Net、VGG16、Res Net等网络,在开源数据集TN-SCUI2020中达到了82.54%的准确率,其性能均高于各个对比网络,具有一定的实用价值。（2）研究了基于深度学习的图像语义分割网络,设计了基于编码器-解码器结构的卷积神经网络用来实现甲状腺结节与背景图形分离。网络结构上使用U-Net网络模型作为基础并结合Efficent Net作为骨干网络,可以准确地区分甲状腺结节与背景区域,实现高性能地分割。使用了新型混合损失函数,结合Dice损失函数和加权交叉熵损失函数,加速网络训练的收敛过程并一定程度上优化分割精度。（3）研究了基于融合网络的CT图像结节分类网络,并结合分割网络,实现了甲状腺CT图像自动诊断系统。本文利用网络融合的双线性池化技术,自主设计了一种低级、高级特征融合分类网络,可以综合学习得到甲状腺结节在不同特征水平的表现,实现良恶性的精确分类。并设计了分割分类网络平滑化串联图像处理算法,满足分割网络输出图片对分类网络的输入的适应调整,实现多结节CT图像的智能切分,实现端到端的诊断分类,无需用户对图像进行任何干预处理。利用嘉兴市某医院采集的数据集进行实验验证,对比医院专业诊断判定结果,识别分类系统的准确率达到了85.92%。