甲状腺结节性疾病的发病率逐年升高,是目前最常见的结节性疾病之一,正确的诊断出甲状腺超声图像的良恶性尤为重要。在临床诊断中,超声检测由于其实时性和损害性小等优势成为诊断甲状腺结节的常规手段。但是,目前的超声检测所得到的甲状腺超声图像分辨率低,有大量的噪声干扰,并且其诊断结果主要依赖于医生的经验与主观判断,诊断难度大,工作量大。因此为了减轻医生的工作负担,提高甲状腺结节性疾病的诊断效率,通过人工智能技术研发出一套甲状腺超声图像辅助诊断系统辅助医生进行诊断具有重大的意义和实用价值。本文基于通道注意力机制对深度学习模型进行改进,得到了具有优秀性能的甲状腺超声图像识别模型,并基于该模型研发出一套医务人员在诊断过程中所需要的甲状腺超声图像辅助诊断系统。本文的主要研究内容和阶段性成果如下:（1）研究分析了传统机器学习和深度学习的甲状腺超声图像识别相关技术。对传统机器学习中的特征提取和分类算法进行简要分析,着重分析了Goog Le Net、Res Net以及Densenet三种卷积网络模型、迁移学习的特点以及本文所使用的基于通道注意力机制网络模型的架构特点。（2）甲状腺超声图像的数据集的构建以及预处理。本文所有的超声图像都来源于某医院提供的真实数据,一共1526张图像。另外,为了增强图像的对比度,使用MSR（Multi Scale Retinex）算法,将多个固定尺度输出结果进行线性加权,以此提高增强效果和亮度,从而进一步提升模型分类性能。（3）研究基于深度学习网络构建超声图像识别模型,并对模型进行全面的测试和分析。为了选择一个合适的模型,本文对基于GMRF、MB-LBP和GLCM特征提取算法与SVM、KNN、RF分类器相结合所构建的传统机器学习模型和基于Goog Le Net、Res Net以及Densenet三种深度卷积神经网络所构建的模型进行对比实验并引入了基于通道注意力机制改进模型,通过对比实验得知,基于通道注意力机制改进后的模型（记为SE-Res Net）具有更好的性能,因此选择改进后的网络模型SE-Res Net用于系统的开发。（4）研发基于通道注意力机制的甲状腺超声图像诊断系统。使用软件工程方法对甲状腺超声图像诊断系统进行可行性分析、需求分析、总体设计、数据库设计以及详细设计,实现了系统中超声图像上传、图像辅助诊断、普通用户信息导入、权限设置等功能的开发与展示,并对系统进行软件测试。测试效果符合预期,可应用到实际临床应用中。