近年来,甲状腺乳头状癌的发病率迅速上升,并存在约20%～80%的患者出现颈部淋巴结转移的现象,这严重影响了甲状腺乳头状癌患者的预后。由于中央区作为颈部淋巴结转移的第一站,及时有效的针对该区域筛查甲状腺乳头状癌淋巴结对患者预后的预测具有重大意义。但是,目前临床的术前检查仍然不存在一套切实可行的诊断方案,无法对医生进行准确的术前指导,为避免出现术后癌性淋巴结转移的现象,临床上主张进行中央区淋巴结预防性清扫,而这种预防措施可能会带来其他病症隐患。因此,研究和开发针对中央区的甲状腺乳头状癌淋巴结诊断技术显得十分必要,这不仅能提高患者生存概率还能对医师的临床诊断以及术前方案的制定进行指导工作。本文针对这个问题,分析了目前临床诊断方案的不足,并设置对照组将问题转换成了中央区淋巴结的二分类问题,进而提出了基于迁移学习的中央区淋巴结分类算法和基于特征工程的中央区淋巴结分类算法。本文的主要工作和结论在于:首先,利用卷积神经网络在图像处理方面的强大能力,对中央区淋巴结进行分类。针对医学图像领域有标签样本数据难以获取的问题,在训练时引入迁移学习,并在三种不同类型的卷积神经网络结构之上分别进行了实验比较。之后,在对海内外医学影像分析领域的深入调研后,利用特征工程来解决中央区淋巴结的分类问题。该方法不仅使用传统方法提取图像数据的手工特征,同时利用基于迁移学习的网络模型作为特征提取器提取图像的深层语义特征。最后结合两种特征和不同特征选择算法对比了不同分类器的性能,发现支持向量机的敏感性及阴性预测值(NPV)更高且偏差最小,说明其漏诊率最低且更为稳定,而随机森林的特异性及阳性预测值(PPV)最高,相对而言具有更低的误诊率。最后,使用209例中央区淋巴结图像数据对提出的两种分类算法进行验证。实验证明,本文所提算法与临床诊断方法相比,准确度与敏感性等指标大幅提升,且算法具有高应用性,适合临床辅助诊断。