目的:本项研究旨在探讨深度学习卷积神经网络（convolutional neural networks,CNN）在甲状腺小结节（1-2cm）超声图像良恶性识别问题中的可行性并评估识别效果。方法:（1）本次研究对象来自于2018年1月1日至2020年3月31日前往广西医科大学第一附属医院行甲状腺超声检查的502例甲状腺结节患者（共556个结节）,每个甲状腺结节有1-6张横向或纵向的图像（共2181张甲状腺结节图像）。本次研究中的所有甲状腺结节均以手术病理检验结果为诊断的金标准,分别采集每位患者的性别、年龄、结节大小、病理检验结果数据。（2）由两名不同年资的超声医师（分别有大于9年和小于5年的从业经验）分别按照2015年发布的甲状腺结节恶性风险分层指南.（简称ATA指南）、2017年发布的甲状腺影像报告和数据系统.（简称ACR TI-RADS分类标准）.为甲状腺结节进行分级。（3）为保证数据集的质量,每一张甲状腺结节的超声图像均由另外的两名超声医师对其进行标记及注释处理。通过微调,使用处理完毕的甲状腺结节超声图像对三个小物体目标检测模型YOLO v3、Faster R-CNN和SSD进行训练,将训练完成的模型用于识别分类任务并得到对应的每位患者的甲状腺结节良恶性的识别结果。（4）绘制具有不同超声工作经验的超声医师和3个CNN模型的受试者工作特征曲线.（receiver operating characteristic curve,ROC曲线）。同时通过计算得到ROC曲线下面积.（area under curve,AUC）。由此,比较超声医师和CNN模型在诊断甲状腺结节性质方面的效能。（5）本次研究的数据采用统计学软件SPSS 23.0和Medcalc 19.0进行统计分析。结果:1、本次研究的数据集包含训练集、验证集和测试集,训练集308人包含348个甲状腺结节,验证集77人包含83个甲状腺结节,测试集117人包含125个甲状腺结节。年龄分布、男女比例、甲状腺结节大小及甲状腺结节恶性肿瘤所占比例在训练集和测试集之间并无明显差异（P均＞0.05）。2、在556个结节中,294个结节是恶性的,262个结节是良性的。YOLO v3、Faster R-CNN和SSD模型在验证集中的准确性分别为92.8%、88.4%、84.6%,在测试集中准确性分别为93.5%、89.9%、84.1%,说明三个CNN模型均具有一定的泛化能力。YOLO v3、Faster R-CNN、SSD三个CNN模型对甲状腺结节超声图像良恶性识别的敏感性分别为93.9%、91.4%、81.7%,特异性分别为93.3%、88.8%、85.8%;阳性预测值分别为91.1%、85.7%、80.9%;.阴性预测值分别为95.4%、93.3%、86.5%;AUC分别为95.0%、91.3%、87.0%。YOLO v3模型的准确性、.敏感性、.特异性、.阳性预测值以及阴性预测值高于另外两个CNN模型,均达到了90%以上。YOLO v3模型AUC明显大于Faster R-CNN、SDD模型的AUC（95.0%VS 91.3%、87.0%）。相较于其余两个CNN模型,YOLO v3模型对甲状腺结节超声图像的良恶性具有更好的检测及分类性能。3、两位不同年资的超声医师分别使用ACR TI-RADS分类标准和ATA指南对甲状腺结节进行分级,观察者间的一致性中等,κ值分别为0.49、0.51。经验丰富的高年资超声医师对甲状腺病灶性质的诊断效能优于经验较少的低年资医师。经验丰富的高年资超声医师根据ACR TI-RADS分类标准和ATA指南判别甲状腺结节良恶性的AUC分别为82.2%、80.0%,与YOLO v3模型AUC对比（82.2%、80.0%VS 95.0%,P分别为0.0015、0.0002,P均＜0.05）差异有统计学意义;与Faster R-CNN模型AUC对比（82.2%、80.0%VS 91.3%,P分别为0.022、0.0085,P均＜0.05）.差异有统计学意义;与SSD模型AUC对比（82.2%、80.0%VS 87.0%,P分别为0.31、0.13,P均＞0.05）.差异无统计学意义。结论:基于深度学习卷积神经网络的甲状腺结节良恶性识别方法具有较好的准确性、.敏感性、.特异性、.阳性预测值、.阴性预测值。YOLO v3、Faster R-CNN、SSD三个小目标检测器对甲状腺小结节具有较好的识别分类效能,能够有效地判断甲状腺结节的良恶性,在甲状腺结节良恶性诊断效能方面优于或相当于有经验的超声医师。