甲状腺结节是一种常见多发病，及时发现并治疗可避免其转化为恶性肿瘤，超声诊断技术不断提高，已成为该疾病的首选检查手段。甲状腺良恶性结节在超声图像特征上存在可区分性，因此研究如何准确分割结节区域，提取出区分良恶性结节的有效特征并进行判别，具有重要的理论意义和广阔的临床应用前景。临床检查中，医生在超声影像中标记疑似病变区域，并根据结节的判定性质和临床经验得出结论。该方法存在的问题是：需要医生手工标记病变区域，诊断工作量大；诊断结果主要取决于医生的定性评价，具有主观性；良、恶性结节特征界限不易把握。本文以甲状腺超声图像为研究对象，在甲状腺结节分割以及更好地提取判别良恶性结节的最佳特征方面做了探索性的研究，取得了以下成果：1、图像分割方面：介绍了目前常用于超声图像分割的DRLSE模型，深入分析了该算法在演化方向单一和边界泄露等方面存在的不足，进行了三方面的改进：一是构造结合相位和梯度信息的边界指示函数，增强了模型对弱边缘的识别定位能力；二是定义了自适应加权系数，实现曲线自适应地向内或者向外演化，解决了演化方向单一和初始曲线位置敏感的问题；三是结合CV模型的保真项，加强了模型全局分割的能力，并在一定程度上提高了模型的分割速率。2、特征提取方面：提出一种融合纹理、形状和衰减信息的甲状腺结节超声图像特征提取算法。在纹理特征提取上，将传统局部二值模式(LBP)算法作为原型，在此基础上对其邻域和距离编码进行改进，采用椭圆状邻域和模糊距离编码，更有利于结节的表示，并解决了LBP算法单一的变换映射和对噪声比较敏感的问题；此外，提取了结节的形状特征和衰减系数，共同构成甲状腺结节的特征向量。将上述方法应用到自建的甲状腺结节图像数据库，通过实验验证，改进的分割算法明显优于传统的DRLSE模型，可以更好地分割出结节区域；并在此基础上，提取出结节特征并输入到SVM分类器进行良恶性判别。与其他特征提取算法进行实验对比，本文提出的特征融合算法描述准确率高，具有较高的分类性能。