近年来,甲状腺结节的发病率不断上升,严重危害着人们的身体健康。超声诊断是甲状腺结节临床检测的首选方法,具有低成本、相对安全、非侵入性及实时显示等特点,但超声影像与自然场景下的图像不同,存在对比度低、清晰度差、结节特征不明显、早期结节难发现等问题,限制了检测精度的提升。因此,本文针对上述问题,在研究甲状腺结节特征提取机理的基础上,提出了一种适用于甲状腺结节超声影像的检测方法。首先,本文采用了图像锐化方法对甲状腺超声影像进行预处理,在增强结节信息的同时突出结节目标和边界信息,达到局部增强的效果。为了解决缺乏大规模甲状腺结节超声影像标注数据的问题,使用旋转、镜像翻转方法扩充甲状腺超声影像数据集,使原始数据扩大了两倍。其次,本文提出一种基于深度学习的甲状腺超声影像中结节检测方法。通过在YOLOX-M算法的基础上进行改进,来解决甲状腺超声影像中结节检测所存在的问题。为了获取良好的浅层特征,本文在主干网络中引入内卷积以提高特征的空间特异性,为后续卷积操作提供丰富的细节信息。为了提高早期结节的检测精度,在主干网络的S3阶段引入可变性卷积,灵活应对不同几何外形的早期结节,提取出更为精准的早期结节特征,提升早期结节的检测效果。为了缓解甲状腺超声影像中复杂背景信息对检测效果带来的影响,在主干网络与特征融合模块之间引入注意力机制,抑制冗余信息,获取与被检测目标关联性更强的信息,提升整体检测效果。对比实验结果表明,改进的甲状腺结节检测算法的m AP达到了0.757,m AP@S达到了0.670,相比于原始YOLOX-M算法检测准确率提升了3.5%和1.8%。消融实验结果表明,本文所做的改进可以有效缓解甲状腺超声影像中存在的问题。最后,基于本文提出的检测算法开发甲状腺超声影像的结节检测系统:通过需求分析进行系统设计;通过训练的甲状腺结节检测模型进行系统实现;通过功能测试检验系统对不同尺度结节的检测效果。系统操作过程方便快捷,能够满足不同用户的实际需求。