颈动脉超声图像诊断是心脑血管疾病诊治的重要依据,是医生诊治患者的重要辅助手段之一,它的诊断结果直接影响医生对患者的治疗方案,对患者康复治疗有着至关重要的作用。但在人口基数巨大的今天,存在医学影像从业者数量短缺、患者就诊压力大等问题。另外存在因为影像医师的专业水平不同、从业时间不同而导致的诊断结果不同、诊断效率不同等问题。因此通过深度学习方法实现颈动脉医学图像的计算机辅助诊断,将能有效解决以上问题,本文根据医学超声图像的特点,在图像处理、深度学习等理论的基础上,展开对颈动脉斑块超声图像病变体自动诊断的研究。主要研究内容如下:（1）分析颈动脉超声图像直方图、边缘梯度等特点,针对颈动脉超声图像数据较少、不均衡问题,对超声图像添加高斯噪声、随机亮度调整、随机图像模糊等方法进行合理的数据增广,以达到数据均衡的目的,提高训练模型的稳定性。（2）针对患者同一部位不同方向的颈动脉血管斑块分类、位置定位问题,提出一种基于深度卷积神经网络的并行分支斑块目标检测算法:对横纵两个切面的超声图像使用两个预训练卷积神经网络的并行分支提取特征图,根据特征图中斑块区域特征完成分类和定位。在网络训练过程中使用批量正则化、残差神经网络等方法提升网络的训练效果,最终评估得到横纵切斑块和血管的AP均在0.84以上,并且横切斑块和血管F2-score分别0.89、0.92。（3）根据深度学习目标检测算法得到颈动脉超声图像斑块的矩形区域,进一步对颈动脉斑块区域进行实例化分割。研究提出一种在深度学习斑块检测基础上的基于能量函数的主动轮廓全自动分割算法,与医生手动分割对比的评估结果:8位患者血管分割的DSC均高于0.82,HD低于6.2,横纵切斑块和的两个指标与血管相当,硬化的分割指标较低,但仍满足计算机辅助诊断的需要。最后,提出通过深度学习方法融合主动轮廓分割的颈动脉斑块超声医学图像自动化诊断方案。