甲状腺结节作为内分泌系统的一种常见疾病,患病率高达32.4%,且有高达5%～10%转为恶性结节的概率,对人类身体健康构成严重威胁。近年来,医学影像技术飞速发展,临床检出率约为20%～70%,越来越多的小结节在超声诊断仪器下显现出来,这就意味着患者可以及时的发现和治疗,这对于患者疾病治愈率的提高意义重大。为了解决医生手工分割结节区域工作量大、耗费时间长、带有主观意念、漏诊误诊、标准不一等问题,基于超声图像的计算机辅助诊断技术在临床医学中迅速推广开来。近年来,人工智能技术在医学影像学方面有了深入地研究进展并逐渐成为行业热点,医学图像分割就是其中之一。因此,开发出健壮的超声甲状腺结节分割系统具有很重要的临床意义,本文基于分割对抗网络实现对超声甲状腺结节区域的分割。本研究深入分析了甲状腺结节分割的技术现状,以超声图像作为主要研究对象开展研究。（1）针对超声甲状腺图像分辨率低,对比度低,结节形状大小不一带来的分割准确率低、边缘信息缺失等问题,提出了基于联合上采样的超声甲状腺结节分割方法。该方法输入原始ROI图像,通过学习健康和不健康的甲状腺组织如灰度、边缘、形状、纹理等的内在特征,实现结节区域的分割。首先,使用多层卷积神经网络提取甲状腺结节特征。其次,设计使用了一种多扩张率卷积块对目标区域进行精准定位,在相同计算成本的前提下,融合不同采样系数下扩张卷积的上下文信息,捕捉更大范围的依赖关系。最后,使用跳跃连接将网络浅层特征和深层特征进行融合。实验结果表明,本研究方法获得了93.19%的像素准确率,dice系数值0.8558,jaccard距离值为0.0824,达到了不错的分割结果。（2）针对现有甲状腺结节分割网络模型普遍存在结节区域分割不准确的问题,往往会过分细化或粗化结节边缘信息。在需要定量计算结节大小时,过分割或欠分割现象在医生诊断过程中都是非常不利的。为获取更为鲁棒的模型,同时提升分割准确率。在基于联合上采样的超声甲状腺结节分割方法的研究基础上,本研究引入一种对抗训练,提出了一种基于条件分割对抗网络的超声甲状腺结节分割方法用以实现甲状腺结节区域更为准确的分割。本研究模型由分割器网络和判别器网络两个部分组成,其中分割器网络设计使用基于联合上采样的方法进行分割,通过网络学习提取结节深度和浅层特征信息,获得结节区域二值掩膜;判别器网络对比分割结果与金标准之间的差距对分割结果进行评估。通过多次对抗训练,实验结果表明,本研究分割网络模型像素精度达到95.31%,dice系数值为0.8994,jaccard距离值为0.0687,相较联合上采样的分割网络,性能有所提升,可以更加准确的对超声甲状腺结节区域进行分割,也为后续的研究提供了较为坚实的基础。