甲状腺癌作为世界十大癌症之一,其发病率呈逐年递增的趋势,严重危害了人类的健康。甲状腺结节的良恶性作为甲状腺癌的主要诊断依据具有十分重要的研究意义,因此,准确实现结节良恶性的判别已成为当前医学领域的研究热点。临床上对甲状腺结节的诊断主要通过超声成像的方式,然而,超声图像存在对比度较低、图像中的器官组织边界模糊等问题,导致结节的分割及分类较为困难。超声成像对甲状腺结节的分类主要是根据甲状腺影像报告与数据系统进行评估和判别的,这不能排除医生在诊断过程中因主观因素导致误诊的情况发生。因此,采用新的技术方法来提高结节识别的准确率,对于降低医生的误诊率、节约医疗成本具有重要的意义。基于上述问题,本文以甲状腺超声图像为研究对象,对结节区域的分割、特征提取以及良恶性分类等展开研究。论文的主要工作如下:（1）通过对结节区域和背景区域的灰度特性进行分析,提出区域扩张法实现可疑区域的粗定位,构造局部区域最大方差和协方差的综合判定准则确定结节区域。（2）针对传统模型在分割对比度低的超声图像时对背景区域敏感的问题,提出一种基于带直流分量脉冲耦合神经网络的甲状腺结节超声图像分割算法。通过与其他算法进行实验对比,结果表明本文算法在有效性及鲁棒性方面均优于其他算法。（3）以甲状腺影像报告与数据系统为参考,提出一种融合形状、边缘、衰减和纹理等特征的甲状腺结节特征提取算法。在纹理特征方面,构造了基于均匀局部二值模式的纹理特征,有效地实现了特征降维,在保留结节细节信息的同时,提高了运算的效率。（4）利用深度神经网络实现结节良恶性的分类。经过大量实验,研究发现深度神经网络模型为1个输入层、5个隐藏层、1个输出层时用于甲状腺结节良恶性分类的效果最佳。将本文算法的分类结果与其他算法进行比较,并采用准确度、敏感度、特异性和受试者工作特征曲线下的面积等性能评价指标对实验结果进行综合分析,结果表明本文算法在结节良恶性分类方面准确率较高,具有良好的实际应用价值。