我们通常把人体甲状腺内的肿块称为甲状腺结节,目前该疾病在临床医学上已十分常见。最近的研究表明甲状腺结节的发病率正在逐年递增。临床上甲状腺结节疾病的治疗主要通过超声影像先排查出大部分的结节,接着对于可疑的结节使用细针抽吸送去活检。由于超声成像时常伴有边界模糊、背景复杂的问题,同时活检存在入侵性与不确定性,所以该诊断方法不但会因为医生判断的主观性而导致误诊,而且无法避免一些不必要的活检手术。本文针对甲状腺结节医学影像的分割、甲状腺结节良恶性的分类以及良恶性结节特征的分析等几方面,研究了基于深度学习的甲状腺结节辅助诊断技术,以实现端到端、高效准确的甲状腺结节分割与分类为目标展开了工作。论文的主要工作与成果如下:（1）研究了医学影像分割的深度学习模型,设计了甲状腺结节医学影像分割模型。本文提出的模型首先通过多次“卷积+池化”操作得到了不同尺度的特征图,接着在底层网络引入了 Transformer网络的自注意力机制对底层特征图进行编码。该网络不但通过底层编码器弥补了传统U-Net结构无法很好运用像素空间维度信息的缺陷,而且充分利用了 U型网络的上采样拼接的图像还原方式,实现了令人满意的分割结果。另外,在模型的训练过程中,本文也通过对比了不同的损失函数的收敛效果与模型分割精度,提出了 Dice-交叉熵损失函数,该函数结合了交叉熵损失函数与Dice损失函数从而优化了模型的训练。（2）研究了甲状腺结节良恶性识别的深度学习模型,设计了甲状腺结节良恶性分类模型。本文通过设计实验组,对比了常用于图像分类的VGG-16（Visual Geometry Group Network）网络、ResNet-50（Residual Network）网络及两者的迁移学习的分类准确率与AUC（Area Under Curve）指标,确定ResNet-50网络与ImageNet数据集的权重迁移作为基础模型结构。在此基础上,本文进一步利用了机器学习中集成学习的思想,将甲状腺结节医学影像原图与分割网络的特征图同时作为输入,得到了三个ResNet-50网络的特征向量,并通过全连接层将其融合得到最终的分类结果。（3）研究了甲状腺结节特征可视化技术,实现了甲状腺结节特征分析的可视化。针对甲状腺结节良恶性识别网络的特征提取,本文首先运用了前向传播的特征可视化提取每一层卷积所得到的特征图,从浅层网络提取的纹理、边缘的特征有助于观察结节的边缘模糊程度、囊实性与钙化情况,这可以辅助甲状腺良恶性的判断。另外,本文通过反向传播的卷积滤波器可视化,以随机噪声作为输入直接观察不同的卷积核所重视的特征类别,从一定程度上增加了模型的可解释性与可靠性。