甲状腺结节是最常见的临床病变之一,可由多种病因引起,其发病率逐年升高。对其治疗的关键问题是鉴别结节的良恶性质。超声诊断是甲状腺结节诊断的一种常见方法,并在识别结节大小,定位结节部位、指导穿刺上具有一定价值。当放射医师根据甲状腺超声图像判断甲状腺为恶性时,应进一步进行细针穿刺活检或手术。但是,由于缺乏经验的放射科医生可能会导致误诊。此外,甲状腺结节自身形态复杂多样,以及超声图像本身噪声高且对比度低,也给医生诊断带来极大挑战。随着科学技术的发展,计算机已经应用到很多领域,并取得不错效果。我们知道计算机处理图像是非常准确和高效的,弥补了人眼的不足。因此,为了提高诊断准确性,对开发计算机辅助诊断系统提出迫切需求。本文基于深度学习（Deep learning）对甲状腺结节诊断进行深入研究,针对现存深度学习方法的缺陷,进行相关改进。另外,虽然基于深度学习的甲状腺结节诊断方法已经取得了不错的效果,但是在临床医师看来,因其没有用到临床信息,故基于深度学习方法的诊断结果是缺少可解释性的。因此本文也尝试对深度方法在医学上的解释性进行探讨。本文主要工作内容如下:（1）本文根据超声图像特点（具有多角度的,具有较高灵活性的变体位置上拍摄的）提出一种引入注意力机制并最大化保留像素关系的卷积神经网络（Convolutional Neural Network,CNN）模型。该模型将挤压和激发模块（Squeeze-and-excitation module,SE）以及最大化保留像素间关系模块（Maximum retention of inter-pixel relations module,MPR）集成在一起,即CNN-SE-MPR模型,可以对输入到CNN中的超声图像自适应地选择特征,并保留像素间关系,从而提高甲状腺结节诊断精度。（2）为了解决可解释性问题,我们提出了一种基于多任务学习（Multi-task Learning,MTL）的深度神经网络模型（Multi-Task CNN,MT-CNN）,该模型将轮廓（Contour）、边缘（Margin）、钙化（Calcification）、回声（Echogenicity）等临床超声特征引入,作为四个辅助任务,将甲状腺结节良恶性判断设置为主任务。模型通过辅助任务对临床特征进行学习后再输送到主任务中,与主任务特征融合后,再进行最终结节分类。