包虫病是一种由于人类感染棘球蚴而引起的寄生虫病,准确的包虫病诊断和分型对后续的治疗至关重要。包虫病患者广泛分布于全世界,尤其是中国西部牧区和半农半牧区。由于牧区地广人稀,专业医生不足,包虫病患者得不到及时的诊断和有效的治疗。超声是临床诊断肝包虫病最常用的工具。然而,大面积的肝包虫病筛查工作耗时耗力,并且肝包虫病的诊断非常依赖于医生的个人经验。因此,为了提高肝包虫病的筛查和诊断效率,缓解牧区医生不足的压力,本论文提出基于肝脏超声图像的肝包虫病智能辅助诊断方法。首先,本论文提出由粗到细的两阶段肝包虫病智能辅助诊断方法。在第一阶段,我们将肝包虫病病灶自动检测问题看作肝包虫病病灶定位（Location）和组分类（Group Classification）问题,搭建基于深度卷积神经网络的肝包虫病检测网络（Echinococcosis Detection Networks,EDnet）;在第二阶段,我们在病灶定位和分组的基础上实现肝包虫病病灶的细粒度分类,搭建基于细粒度视觉分类的肝包虫病分类网络（Echinococcosis Classification Networks,ECnet）。此外,本论文还提出基于图像生成的肝包虫病智能辅助诊断方法,探讨基于生成对抗网络（Generative Adversarial Network,GAN）的肝包虫病超声图像生成方法,旨在利用生成图像解决肝包虫病超声图像数据类别不均衡的问题,实现数据均衡的目标,提高肝包虫病病灶的分类准确率。在该方法中,我们搭建多尺度的条件生成对抗网络,利用正常肝脏超声图像生成肝包虫病超声图像。该方法能够生成高分辨率的肝包虫病超声图像,同时保持超声图像的原始结构和图像纹理,能够在一定程度上提高深度模型对肝包虫病病灶分型的准确率。实验证明,本论文提出的由粗到细的两阶段方法可以有效克服肝包虫病超声图像类内差异大、类间差异小的问题,解决肝包虫病病灶大小差异明显以及泡型肝包虫病病灶边界模糊的问题,相比流行的深度学习方法,得到更好的分类性能。在平均召回率、精确度和F1得分上分别达到87.1%、86.2%和86.5%。另外,基于图像生成的方法可以有效解决肝包虫病数据不均衡问题,使数据量较少的CE2和AE3在平均F1得分上分别提高4.1%和1.3%。同时,本论文是目前首个基于超声图像实现的肝包虫病智能辅助诊断系统,可应用于肝包虫病的临床筛查和诊断,具有良好的应用前景。