甲状腺结节是甲状腺系统的常见病症,恶性结节则会有癌变的风险,针对恶性结节,及时进行诊断治疗后大多数都能够治愈。超声检查是目前针对甲状腺结节最为常用的诊断方法。为了解决医生诊断阅片耗时且由于个人经验不同容易发生误检漏检等问题,基于超声影像的计算机辅诊技术在临床上有着重要意义。目前,应用于甲状腺结节的传统的结节分割方法主要基于图像处理技术与主动轮廓模型。这类方法无法学到针对甲状腺结节的专业特征知识,并且在实际应用中需要人为进行预先标定,在实际应用中有一定的局限性。本文针对甲状腺结节图像分割与识别问题,研究了基于深度学习的甲状腺结节图像分割与识别方法,设计了一种基于深度学习的卷积神经网络模型,结合本文所提出的数据增强方法与预测结果增强方法,实现了端到端的甲状腺结节精确分割。论文的主要工作和成果如下:1.完成了数据集的构建,并研究了数据增强的方法,提出一种基于弹性变换与仿射变换的图像增强方法,显著提高了数据增强的质量与合理性,能够较好的解决医学数据集较小带来的模型训练问题。为了训练并验证模型效果,本文构建了甲状腺结节超声影像数据集,并在专业医学人员的指导下完成了数据集的标注。通过对比实验,证明提出的数据增强方法能够有效的解决训练数据少所带来深度学习模型训练困难的问题。2.研究了用于进行结节分割的卷积神经网络模型。本文设计并搭建了若干模型结构的对照实验。结合实际的实验结果,确定以DenseNet为骨架网络,在U-net网络基础上,改进单一 skip-connection为多尺寸特征图融合的U-net++结构网络,作为本文中甲状腺结节分割的模型,取得了较好的结节分割结果。3.在训练模型的基础上,利用甲状腺结节图像低语义的特性,本文提出一种基于模型融合思想的增强预测方法,在无需训练多个独立模型的前提下,能够较好的抑制结节分割中结节边缘的误分割情况,从而提高最终的分割效果。4.研究了模型可视化分析方法,完成了模型的部署。针对医学问题的特殊性,本文从实际图例与卷积核最大响应两个角度出发,设计了模型的可视化分析方法,实现了模型在结节分割过程中一定的可解释性。并将模型部署至嵌入式平台,从而实现便捷、离线的模型分割,达到保障医疗数据的安全性与隐私性的目的。