随着现代生活节奏逐渐加快,人们生活压力逐渐增大,甲状腺结节疾病的发病率日渐增多,严重影响了人们的日常生活和身体健康。在甲状腺结节的临床诊断阶段,超声检测凭借对人体伤害小、成本低等优势成为甲状腺结检测的首选方法,但通过超声采集的甲状腺结节超声图存在内部特征不明显、边界模糊、外观尺度多样等问题,这些给医生的临床识别筛查带来一定影响,进而增大误诊以及诊断结果不一致的风险,导致过度治疗等医疗事故的发生。随着人工智能技术不断发展,深度学习在超声图检测方面取得了巨大进展。基于超声图构建检测模型实现对甲状腺结节的检测和良恶性分类,能辅助医生诊断,提高工作效率,减少人为误诊。为了解决甲状腺超声图像采集困难、超声数据集数据量过小以及影像中存在噪声严重、尺度多样等问题,因此本课题通过改进YOLOv5算法提高了对甲状腺结节超声图良恶性识别精度,同时设计系统并进行部署。本文首先对甲状腺结节超声图数据集进行整理。其次,构建甲状腺超声图中的结节检测与分类模型。最后,围绕甲状腺超声图设计结节检测与分类系统。主要内容如下:（1）在YOLOv5目标检测算法的基础上提出甲状腺结节检测算法,包括将卷积层中Si LU激活函数替换为FRe LU,FRe LU引入了感受野,能增强激活空间的敏感度,提高对不规则结节检测能力。同时在主干中加入ECA注意力模块,以解决在卷积池化过程中特征图的不同通道所占的重要性不同带来的损失问题,赋予不同待关注区域不同的权重,进而能抑制超声图噪声,有侧重点地对结节进行特征提取。然后将PANet替换为Bi FPN特征融合网络,特征图中低层能获得更多位置、细节信息,高层能获得更多语义信息,Bi FPN增加了跳跃连接和权重信息,这种多尺度特征融合能增强对不同大小结节的检测能力。（2）对收集的数据集进行整理,最终形成包括2841张图像的数据集。再对所有图像通过双边滤波进行锐化处理,凸显结节的边缘和细节特征。在实验中,使用召回率、精准率和m AP作为评估指标。通过实验验证所提方法对于甲状腺超声图像中结节的检测和识别的有效性,在YOLOv5模型的基础上m AP提高了4.4%,达到了74.8%。（3）基于本文提出的超声图中的结节检测模型,开发部署了一个超声甲状腺结节检测与分类系统,经过系统的测试,各项功能均可正常运行,以有效辅助医生对甲状腺超声图中的结节进行初步诊断。