甲状腺是位于颈前部的蝶状内分泌器官,具有调控新陈代谢、促进生长发育等作用。近年来,随着甲状腺疾病发病率的持续上升,其逐渐成为一种高发疾病,早期的发现与诊断是治疗的关键。超声图像诊断技术因其实时、廉价、便捷以及无创等优势,成为甲状腺疾病检查的首选方法。甲状腺腺体大小可用于分析甲状腺激素的分泌状况,是甲状腺异常诊断的重要特征之一。另一方面,甲状腺结节的形状与大小是临床中甲状腺结节良恶性诊断的重要依据。因此,实现超声甲状腺腺体以及甲状腺结节的精准分割,可以更准确地描述出甲状腺病变区域及周围组织,对有效诊断甲状腺病变具有重要临床意义。然而超声图像存在斑点噪声且对比度较低、甲状腺及结节形态尺寸多变且边缘模糊,因此甲状腺与甲状腺结节的精准分割存在一定难度。针对上述问题,本文提出了一种基于多阶U-Net的深度卷积网络模型,用于实现甲状腺腺体和甲状腺结节的自动分割。首先,使用限制对比度自适应直方图均衡化以提升图像对比度并利用双边滤波器对超声图像进行降噪处理。随后,设计了一种基于多阶U-Net的深度卷积网络模型,该模型以U-Net为基本网络框架,通过在解码路径进行进一步的特征提取,形成多阶深度相同的U-Net以不断递进的连接方式来克服图像噪声影响从而实现图像边缘的深度信息提取。同时,在模型中使用了一种多尺度残差卷积模块增强对不同尺度对象的分割能力,进一步提升分割精度。最后,在网络训练过程中使用了融合二值交叉熵的类Dice损失函数保证模型收敛速度和预测的鲁棒性。通过多次对比实验表明,基于多阶U-Net的深度卷积网络模型在甲状腺与甲状腺结节超声图像上的分割Dice系数分别达到0.7712、0.8347,Io U分别达到0.6713、0.7450,Precision分别达到0.8289、0.8668,Recall分别达到0.7817、0.8534。所有分割指标相较于其它常见基线算法均能够实现更优的分割结果,具有一定的临床应用价值。