甲状腺结节患病率在近年来明显上升,恶性甲状腺结节对人体的危害极大。超声图像为诊断甲状腺结节病变提供了重要的影像学依据,但诊断结果完全依赖医生的临床知识和主观判断,可能导致误诊。随着人工智能高速发展,利用深度学习识别甲状腺结节的良恶性,并辅助医生进行诊断具有重要的临床价值。为了提高甲状腺结节良恶性诊断准确率,本文使用高效通道注意力模块和特征金字塔结构改进Res Net50网络,并通过训练得到具有优秀识别效果的神经网络模型,最后将改进后的模型应用于甲状腺超声图像辅助诊断系统。本文具体研究内容如下:（1）在保护患者隐私的前提下,采集到某三甲医院真实甲状腺结节超声图像共计1550张,并在甲状腺领域专业医师协助下标记甲状腺结节重要区域并区分良恶性。选取在图像分类领域表现优秀的三种卷积神经网络模型VGG16、Google Net、Res Net50参与研究。（2）针对数据集样本较少可能出现的过拟合问题,本文结合迁移学习的方法,使用Image Net上的预训练模型,并在目标数据集上训练微调。对比实验结果表明结合迁移学习能显著提高模型对甲状腺结节良恶性的识别效果,一定程度上避免过拟合。通过三个模型迁移学习的对比实验,选择识别效果最佳的Res Net50作为主干网络。（3）为了进一步提高模型对甲状腺良恶性结节的分类效果,在Res Net50网络中嵌入高效通道注意力模块,使模型提取图像更有效的特征。针对随着网络层数加深,甲状腺结节超声图像底层细节特征严重丢失的问题,使用特征金字塔结构,融合网络提取到的多维度特征。实验表明,优化改进后的模型对甲状腺结节良恶性的识别准确率达到了94.56%,比优化前提高了4%。（4）将改进后的模型应用于甲状腺超声图像辅助诊断系统。为了辅助医师诊断、提高医疗水平和方便患者,本文基于软件工程方法,将改进后的模型应用于辅助诊断系统的研发。最后使用黑盒测试方法,编写用例,对系统进行功能测试。系统的功能测试结果与预期相符,能应用于临床实践。