心脑血管疾病是世界上死亡率和致残率最高的疾病之一，每年给人们的健康和社会带来了巨大的损失与经济负担，对其预防、监控和治疗已经成为全球的研究热点。动脉粥样硬化是心脑血管疾病的主要病理基础。临床研究结果发现，大多数缺血性脑卒中是由于颈动脉粥样硬化斑块破裂脱落，引起血管栓塞而导致的。超声具有无辐射、非侵入性和便捷性，已成为临床上检测颈动脉斑块最常用的影像学手段。本文旨在研究一种超声颈动脉斑块图像的表征方法，期望从超声图像中获取能较全面地表征斑块的各种特征，为脑卒中的风险评估提供影像学依据。为此，本文提出了一个基于深度学习的多水平特征融合网络。该网络以不同切面、不同侧的超声图像作为输入，通过自动学习提取并融合不同的超声图像斑块特征，从而大大提升了动脉粥样硬化事件患者与无事件患者之间的识别准确性，为建立基于颈动脉超声图像的脑血管事件的风险预测模型奠定了基础。
　　本文首先制定了一个超声颈动脉图像采集标准，对每位患者左右两侧的颈动脉进行超声成像，并采集最大面积的斑块横切和对应纵切图像。实验涵盖了333位患者共1332张超声图像，并将其制备成颈动脉超声图像数据集用于本文的研究。其次，本文提出的多水平特征融合网络由两个特征生成子网络(G-T和G-L)和一个特征融合子网络(F)构成。G-T和G-L分别用于病人双侧颈动脉斑块横切和纵切两种视图的特征提取。为了提供更全面的斑块特征，F子网络对G-T和G-L生成的多水平特征进行分层融合。此外，本文还设计了一个多输出损失函数用于进一步提高网络分类性能。通过在训练过程中自动优化损失函数的权重参数，本文的方法实现了约91%的分类准确度和0.95的曲线下面积(Area Under the Curve, AUC)。该结果对比于使用相同数据集的纹理特征、ResNet和MobileNet方法，其准确度提高了6-7%，AUC提高了0.06。
　　研究结果表明，本文的方法更适合用于超声颈动脉斑块图像的表征，提取的融合特征可用于识别不同风险的斑块差异，为下一步脑血管事件预警模型的建立提供了有力的依据和参考。