肝脏弥漫性疾病在全球范围内发病率逐年增加,肝组织活检是诊断该疾病的金标准,但是由于其侵入性和创伤性导致患者依从性较差。超声检查是当前广泛使用的肝脏弥漫性疾病诊断方法,但是利用超声成像设备获取图像并诊断病情需要医师有多年临床经验,且带有一定主观性。一种基于超声图像的端到端的肝脏弥漫性疾病智能诊断系统,即一种可在无临床超声医生参与的情况下,实现肝脏的智能识别与弥漫性疾病诊断的系统,是智能医疗发展的必然方向。为了实现这个目标,本文在基于超声图像的腹部器官分类、腹部器官精确的分割定位以及肝脏弥漫性疾病诊断这三个方面进行了研究,具体包括以下几部分工作。首先,在腹部超声图像分类方面,在7230张标记好的6种腹部器官(11类截面)的超声图像数据集上,本文基于稠密连接原理搭建了深层Dense Net,并修改网络使之准确率不变而模型缩小近三倍,以提高分类算法的实时性,节约显存占用,进一步应用迁移学习的方法提升了网络性能,最终分类准确率可达83.4%。在该部分本文还对深度学习提取特征的方式以及可解释性做了探究。其次,在腹部器官精确的分割定位方面,本文修改了U-Net,添加了BN层与补齐,分割效果相比原始的U-Net网络以及基于VGG的全卷积网络有了巨大的提升;基于该分割结果,本文提出了一种结合分类器结果、视频帧间信息以及医学上的器官结构先验知识等信息的修正视频分割算法,TPR与SIR可以达到0.8172与0.7971,从视觉上和评价指标上都优于同类算法。最后,在确认扫描图像为肝脏区域时,进一步实现了对肝脏弥漫性疾病的智能诊断。考虑到该种疾病的主要差异性特征在于纹理而不是结构,我们结合前期研究计算了图像的灰度共生矩阵、小波多子图共生矩阵等来用于纹理特征的提取,并将提取到的纹理特征向量与分类网络输出的全连接层向量相连接作为新的特征向量,使用一对一/分级支持向量机分类器与XGBoost分类器分别实现了肝脏弥漫性疾病的智能诊断,在测试集上的最高准确率为83.0%。基于以上研究工作的成果,完成了肝脏智能识别与弥漫性疾病诊断系统的简单界面,Tensor RT加速后可达每秒14.92帧,为后续的端到端智能诊断系统的实现奠定了基础。