颈部淋巴结肿大是临床上常见的颈部淋巴结疾病,若双侧的淋巴结被侵袭,则患者的5年生存率仅有25%。临床中医生检测通常存在主观误差且诊断较为费时。近期,越来越多的研究工作聚焦于使用机器学习方法进行颈部淋巴结病的鉴别。相关研究工作基于灰度超声图像进行淋巴结的鉴别,然而,灰度超声成像技术对血管、淋巴结等不同组织的区分能力较差,仅使用灰度超声图像常常造成模型将血管和淋巴混淆识别。多普勒超声能够提供淋巴结内部及周边的血流信号,可以作为灰度超声的补充来区分血管。同时,淋巴结分为正常、反应性、恶性淋巴结,其中,反应性淋巴结是一类特殊的淋巴结,对其进行鉴别的相关工作较少,该方面研究内容较为空缺。因此,本文收集了 1054组灰度超声和多普勒图像进行研究,并提出了两种模型结构针对性的解决上述两个问题。针对使用灰度超声一种模态进行淋巴结定位时,定位结果中存在淋巴、血管、肌肉混淆的问题,本文提出了一种融合灰度超声和多普勒的多模态语义分割模型。通过在输入端引入多普勒超声图片来对血流进行显影,该模型识别结果较单模态模型有一定提升,评估中取得了平均DICE值72.8%,淋巴结单类DICE值78.6%的结果。可见该模型能够较好的区分出淋巴、肌肉、血管,一定程度上解决了三者的混淆问题。传统研究中仅对淋巴结正常/异常类别进行区分,本文将异常淋巴结进一步细分为反应性和恶性淋巴结。恶性淋巴结需要手术切除,反应性淋巴结无需手术切除。本文首先通过收集病理金标准--穿刺活检手术结果确定了数据中正常、反应性、恶性的分布,然后结合应用多模态数据与多任务学习网络,提出了一种淋巴结分类模型,该模型以超声和多普勒图像作为输入,以淋巴结状态以及相关临床指标作为多任务输出,既较好的区分出了反应性类淋巴结,同时该模型预测的临床指标可以作为可解释性结果帮助医生推断淋巴结类别。模型在分类任务中取得了准确率84.9%的和精准率94.3%的结果。