目前甲状腺癌症发病率逐年上涨,居于世界女性癌症发病第四位。早期发现甲状腺癌症如果进行手术治疗,患者的5年存活率高达96%。因此,早期发现和诊断是控制病症的关键。超声成像技术具有无创性、无辐射、低成本和实时成像等优点,是早期检测和诊断甲状腺癌最常用的成像方式。然而,使用超声精准的诊断甲状腺结节需要放射科医生具有大量的临床实践经验。目前,随着深度学习的快速发展,应用深度学习技术处理医学图像问题已成为一种趋势。因此,使用深度学习技术对甲状腺结节准确快速诊断成为了一个前沿研究热点。论文主要对基于卷积神经网络的甲状腺结节超声图像良恶性分类问题进行探讨。本文首先针对甲状腺结节超声图像良恶性分类的发展和研究现状进行回顾。然后介绍深度卷积神经网络的研究历史与意义,并重点介绍其基本原理,包括它的结构、特点以及优化方法。论文的主要贡献如下:针对当前甲状腺结节超声图像诊断领域缺乏可用的公开数据集供研究人员使用的问题,介绍了收集、清洗、筛选高质量甲状腺结节图像的方法。探讨了多尺度特征融合在甲状腺超声图像分类领域可能的应用。基于残差网络的残差模块设计了一种多尺度融合模块。这种模块利用卷积神经网络设计中常用的实例正则化和空洞卷积进行信息融合,达成出色的多尺度特征融合效果。针对当前卷积神经网络忽视高分辨率特征的缺点,在残差网络结构的基础上设计了一个高分辨率通道与低分辨率通道融合的机制。并在实验中验证了网络的分类准确性。