甲状腺结节在临床中较为常见,随着生活节奏的加快和不良的生活习惯,其发病率也在提高。超声诊断是诊断甲状腺结节的常见方式,近年来,有一些机器学习的方法被用于甲状腺结节超声图像的良恶性分类研究,但模型的准确率和鲁棒性还有待进一步提高。本文提出了基于胶囊网络的甲状腺结节良恶性的分类研究方法,主要分为甲状腺结节定位和分类两部分。在甲状腺结节定位研究中,本文分为了图像预处理、人工标记识别以及边界调整三部分:图像预处理将图像中与研究无关的内容去除,并初步判断标记可能的位置;人工标记识别用于对上一步找到的标记进行判断,精准识别人工标记的具体位置;边界调整对未找到的标记进行估计,并给出用于界定甲状腺结节的矩形框。甲状腺结节定位准确地找到结节所在的位置,为后续的研究去除了图像中的无关信息。在超声图像的分类研究中,本文将最新提出的胶囊网络模型应用到甲状腺结节的分类当中。本文研究了特征向量层数对胶囊网络的影响,探讨了特征向量的分布情况,提出将Dropout的方法引入到胶囊网络中,并在图像平移和图像旋转的情况下与卷积神经网络做了对比。实验表明,本文提出的对胶囊网络的改进有效地提高了模型的准确率和对图像的变换的适应性,说明将胶囊网络应用到超声图像分类中是可行的。为了说明本文对胶囊网络改进的有效性,除了在超声图像上进行了实验,还在MNIST数据集以及Fashion-MNIST数据集上进行了相关的实验,这些实验的结果也说明了本文的方法具有一定的适应性和有效性。