目的：考虑到甲状腺结节的三维立体形状，超声检查一般通过横切面和纵切面综合观察甲状腺结节的特征，为此我们提出了双路卷积神经网络的甲状腺结节识别模型，旨在提高甲状腺良恶性结节的鉴别诊断水平。方法：从内蒙古医科大学附属医院超声数据库中选取经手术或细针穿刺细胞学检查（FNAC）病理证实的甲状腺结节1 105枚，每个结节均提供横切图与纵切图。选取884枚结节（其中恶性结节680枚，良性结节204枚）用于深度学习模型的训练，余221枚结节（良性结节59枚，恶性结节162枚）用于测试。模型考虑甲状腺结节横切图与纵切图的特征，构建双路卷积神经网络结构。首先分别训练两路子网络，其中一条以结节横切图像输入（CNN1），另一条以相应结节的纵切图像输入（CNN2），分别用于测试，然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对甲状腺结节的良恶性进行识别。以术后病理学结果为金标准，分析双路卷积神经网络与两条单路卷积神经网络模型的诊断效能及与病理结果之间的一致性。结果：双路卷积神经网络模型诊断甲状腺结节的灵敏度、特异度、准确度分别为95.68%、84.75%、92.76%，均优于单路卷积神经网络模型（均P＜0.05）;CNN1与CNN2相比，灵敏度、特异度及准确度均无显著性差异（P＞0.05）。双路卷积神经网络模型与病理诊断的一致性好（Kappa值=0.813,P＜0.05）;CNN1、CNN2与病理诊断的一致性一般（Kappa值=0.460、Kappa值=0.521,P＜0.05）。结论：双路卷积神经网络模型理论上能够更全面的提取甲状腺结节的图像特征，更拟合超声检查中的多切面扫查，此方法应用于甲状腺结节良恶性鉴别诊断中是可行的。