针对现有的超声图像中甲状腺结节检测与识别方法存在无法精确定位、检测准确率不高的问题,研究基于多任务深度学习的甲状腺超声图像中结节的自动检测和性质识别问题,提出并构造了一个基于改进的Cascade Mask R-CNN的甲状腺结节自动检测与良恶性识别模型。首先,对Cascade Mask R-CNN网络进行了三个方面的改进。第一是通过设计更为有效的检测器来对Cascade Mask R-CNN进行改进,以更好地对ROI区域进行分类和检测框(bbox)修正,旨在解决当直接将模型应用于超声图像甲状腺结节检测与识别时存在无法精确定位以及检测准确率不高的问题。第二是采用更为有效的balanced L1 loss损失函数来增加准确样本的梯度值,旨在解决在甲状腺超声图像的训练过程中目标函数中的分类和定位任务之间存在的不平衡问题。第三是采用更为有效的Soft-NMS方法对相邻检测框设置一个衰减函数,旨在解决当一个真实目标处于预设的重叠阈值内,可能会导致检测不到该待检测目标的问题。其次,针对样本数量较少而导致不足以独立训练完善模型的问题,提出将预处理过的样本输入至预训练好的ResNet-101进行参数微调的迁移学习方法,构建了基于改进的Cascade Mask R-CNN的甲状腺结节自动检测与良恶性识别模型。所提模型通过使用从医院收集的1408张图片进行训练和验证,在IOU阈值为0.5的定位精度下,mAP值达到87.1%,目标检测准确率达到98.67%,测试结果表明该模型的有效性。最后,基于该模型开发一个易操作的甲状腺超声图像良恶性结节检测与识别系统,旨在辅助临床医生对甲状腺超声图像中的结节进行定位和性质识别和减轻劳动强度。