近年来，甲状腺结节在临床中发病率日益上升，由于甲状腺癌症状不明显，诊断中大都靠医生主观经验，因此诊断结果经常存在较大偏差。随着现代计算机技术和医学的迅猛发展，计算机辅助诊断得到越来越广泛的应用。本文以甲状腺超声图像作为主要研究对象，由于甲状腺结节良恶性特征的界限模糊，难以辨别，这类似于文本中的一词多义和同义词问题，并且医学图像中存在很多隐含信息和特定结构，传统的底层特征不能很好地对其进行解决。PLSA已经在文本分类中很好地处理一词多义和同义词问题。因此，将PLSA算法引入到甲状腺超声图像处理中，进行图像的语义特征提取，进而进行结节良恶性判别。支持向量机可以很好的解决小样本、非线性的问题，适合对图像特征进行分类。因此本文将其引入到甲状腺超声图像的分类中，采用提取的语义特征输入支持向量机进行判别。本文的主要工作包括：1、利用各向异性扩散模型对超声图像进行去噪增强处理，提高图像清晰度，并利用SIFT特征描述子提取图像特征点，形成特征点库；2、通过K-means算法对特征点进行聚类，去除其冗余性，形成视觉单词；在每幅图像上统计各个视觉单词出现的频率数，形成视觉单词和图像的共生矩阵输入到PLSA中，求出语义特征；3、在语义特征提取中，分析了PLSA中视觉词汇数和不同主题数对分类精度的影响；针对标准支持向量机在不平衡样本数据中的弊端，通过加入类权重因子来改进算法，以解决甲状腺数据良恶性严重不平衡导致的分类偏差；最后，把类加权SVM算法和标准SVM算法进行了对比。实验结果表明，对甲状腺超声图像提取的语义特征能很好地区分其良恶性，并且SVM算法引入权重因子后，在甲状腺结节良恶性的分类中具有更高的分类精度。