甲状腺位于人体颈部,其主要作用是分泌和合成甲状腺激素。超声成像技术因其实时、价廉、无创、无放射性等特点,成为诊断甲状腺疾病的主要方式。在诊断过程中,甲状腺的形状,体积,边界和纹理是重要的病理特征。然而超声图像的固有特性,如斑点噪声、伪影、衰减、低对比度和信号丢失等,提高了甲状腺超声图像分割的难度。本文在网络模型复杂度及计算资源不同的情况下,研究甲状腺超声图像自动分割的不同类型神经网络模型。在计算资源紧缺的情况下,应选择复杂度较低的神经网络模型。针对低复杂度神经网络模型存在的性能瓶颈,本文提出一种基于自适应宽度径向基神经网络的分割方法,该方法提高了低复杂度神经网络模型的分割性能,取得接近深度学习模型分割效果的性能。整个分割模型包含图像预处理、特征选择与提取、自适应宽度径向基神经网络分类器和图像后期处理四个部分。在特征选择与提取部分,提出一种特征选择方法,从大量人工特征中选取出判别能力强且特征之间相关性低的特征组合,提高自适应宽度径向基神经网络分类器性能,同时也降低分类器的复杂度。在自适应宽度径向基神经网络分类器中,提出一种自适应宽度径向基方法,使得自适应宽度径向基神经网络能结合特征空间的全局信息和局部特性,增强自适应宽度径向基神经网络的数据拟合能力,从而提高分割模型的分割性能。在计算资源充足的情况下,可选择复杂度高的神经网络模型。由于超声图像的固有特性,即使是深度神经网络模型也未能在模糊边界区域取得良好的分割效果,因此本文提出一种基于局部区域图像特性的深度主动轮廓模型。以深度神经网络模型的分割结果为初始化轮廓,应用主动轮廓模型进一步细粒度分割甲状腺区域。深度神经网络模型和主动轮廓模型的结合,克服了深度神经网络模型在甲状腺边界区域分割不足和过度分割的问题,以及主动轮廓模型需要初始化轮廓的缺陷。深度主动轮廓模型通过轮廓点局部区域范围中轮廓内部和外部图像数据的差异,驱动主动轮廓在演化过程中向甲状腺边界移动并贴近甲状腺边界。本文设计大量实验验证基于自适应宽度径向基神经网络模型的甲状腺超声图像自动分割方法和基于局部区域图像特性的深度主动轮廓模型的性能。自适应宽度径向基神经网络复杂度低、参数量少,训练速度在一秒以内,测试速度达到一秒四帧,并取得与深度神经网络模型有竞争性的结果。深度主动轮廓模型分割准确度高,具有分割甲状腺模糊边界的能力,同时突破数据量小对深度神经网络模型性能的限制。但是深度主动轮廓模型复杂度高、参数量大、计算资源需求大、速度较慢,该模型不适用于计算资源紧缺的环境。