目的探讨深度学习在甲状腺良、恶性肿瘤超声分类中的应用价值。方法收集2015年～2018年因甲状腺疾病于哈尔滨医科大学附属四院外科手术患者,来我超声科进行甲状腺超声检查,共计180例200个病灶,均经手术病理证实,其中120个病灶为甲状腺恶性病变,80个病灶为甲状腺良性病变。分析甲状腺超声图像,提取传统图像特征及深度学习特征,将传统图特征与不同网络框架的深度学习特征进行结合,分别在SVM,随机森林、逻辑回归3种不同的传统机器学习分类器上训练和测试,将3种不同分类器的预测结果自动融合成为一个结果,构建一个多分类器的甲状腺肿瘤分类模型。本研究采用的深度学习方法为卷积神经网络(convolutional neural networks,CNN),其模型包括AlexNet,VGG16和GoogLeNet,,将4种特征组分别为传统组、(DFAlexNet+传统)组、(DFVGG16+传统)组和(DFGoogLeNet+传统)组的分类结果进行比较,分析各组敏感性,特异性及准确性及曲线下面积。结果结合传统图像特征和深度学习特征建立的分类模型比使用单独传统图像特征的分类模型效能好;4组网络框架模型比较,DFAlexNet和传统图像特征相结合模型效能更优。结论结合传统图像特征和深度学习特征方法建立的分类模型应用在甲状腺良、恶性肿瘤超声分类中有诊断价值。