超声智能诊断作为一项有着广阔应用前景的技术,有助于医生更为高效地对大量疑似癌症病例进行良恶性判别,以完成预筛查的工作。以往的研究表明,超声原始射频（Radio Frequency,RF）信号相较于商用仪器处理后的灰度信号,包含更多与良恶性相关的信息,而目前大量的研究仍局限于使用处理后的超声图片进行判别。本论文的主要内容是针对甲状腺结节和乳腺肿块的超声原始RF信号,提取基于回波包络统计的组织定征参数,使用机器学习算法对提取的参数进行统合,进行良恶性分类,由此探索基于超声原始RF信号的癌症智能诊断的可行性。本论文的数据采集和病灶定位由专业超声科医师辅助完成,使用手术和细针穿刺活检取得病灶组织并进行细胞学检验,将检验结果作为良恶性判别的金标准,以此对取得的超声数据进行标记。在超声数据处理方面,本论文使用滑动窗口图像分析法提取超声RF信号的各项参数,分别使用人工神经网络和支持向量机对甲状腺结节和乳腺肿块进行良恶性分类。同时,使用t检验来分析所提取的参数与良恶性之间的相关度,使用受试者特征曲线和曲线下面积来评价人工神经网络和支持向量机在该类场景下的表现。结果表明,基于超声原始RF信号所提取的参数与机器学习方法相结合可以实现甲状腺结节和乳腺肿块的良恶性分类,但诸如滑动窗口大小等相关因素也会影响最终的结果。经过研究,我们发现将滑动窗口长度取为0.5倍的Pulse-length可以使得重构图像取得最佳的分辨效果,同时,使用16块感兴趣区对甲状腺结节进行覆盖可以达到较好地良恶性诊断效果。在对参数进行合理设置的情况下,可以分别在甲状腺结节和乳腺肿块数据上得到93.5%和81.4%的准确率。