在甲状腺结节疾病的医疗诊断时,若能对甲状腺结节进行准确的性状识别分类,将会在整个医疗诊断过程中发挥重要作用。随着深度学习技术的发展,基于卷积神经网络对甲状腺结节进行性状识别具有重大的临床应用价值,但目前仍存在数据量样本少和模型的识别准确率不高的问题。本文针对甲状腺超声图像样本少难以训练出理想识别模型的问题,提出了基于SinGAN的数据增强和使用迁移学习来改善分类模型性能的方法。针对ResNet-152迁移模型在甲状腺结节性状识别过程中无法完全提取最佳特征而导致性能不佳的问题,提出改进ResNet-152模型从而进一步提高甲状腺结节性状识别的准确率。本文的研究内容和阶段性成果如下:（1）针对甲状腺超声图像样本少不利于获得理想的识别模型问题,开展了对甲状腺图像数据增强的研究,提出了基于SinGAN进行数据增强的方式,选择多尺度图像生成和超分辨图像生成两种方式进行数据增强。同时针对该方法中存在超分辨率图像生成性能一般的问题,对SinGAN进行了改进,即修改了激活函数,从而提高图像生成时深度图像先验网络的性能。在真实数据集上进行数据增强方法的对比实验。验证了改进的数据增强方法是可行有效的。（2）针对在少量数据上难以训练出优秀的深度学习分类模型问题,开展了基于四种迁移学习的甲状腺结节性状识别模型研究,通过在三类数据集下对四种迁移模型进行对比实验,选择了合适的识别模型,即ResNet-152迁移学习模型。同时针对所选模型ResNet-152存在训练过程中无法完全提取最佳判别特征而导致准确率不高的问题,对该模型开展优化研究,将新的三层’Conv’、’Batch＿Normaliz’和’Activation＿Relu’添加到ResNet-152架构中去,并构建新的全连接层,改进后的模型命名为ResNet-155。在三类数据集下对优化前后的迁移学习模型进行对比实验,实验验证了改进后的模型是有效的。（3）研发甲状腺结节性状识别辅助诊断系统。本文以改进后的ResNet-155模型为核心设计研发了甲状腺结节性状识别辅助诊断系统,依据软件工程的方法进行了可行性分析、需求分析和架构设计,并对系统进行了详细设计及功能实现。