超声检查是诊断甲状腺结节主要的影像学方法之一。在超声影像上对甲状腺结节进行良恶性分析,对甲状腺癌的早期筛查有着重要意义。随着影像诊断技术的发展,高质量的超声影像及病理资料获取已不再困难,如何准确的判别结节的良恶性结果成为了提高诊断水平的关键。为了实现更为准确的甲状腺结节良恶性诊断,避免不必要的穿刺或活检手术,本文提出了一种基于卷积神经网络的多模态超声影像特征融合的方法,引入了更丰富的特征信息来对甲状腺结节的良恶性进行分类,提高了甲状腺结节良恶性分类的准确率。本文首先分析与整理了233位患者的1156张甲状腺超声影像。从超声设备视频中截取单帧超声影像,标注结节的感兴趣区域。通过颜色通道变化与腐蚀膨胀操作自动提取出超声影像中的感兴趣区域边界,并根据图像的坐标对称性分别提取出常规超声与弹性超声的感兴趣区域图像。然后,卷积网络模型在大规模自然图像数据集上完成预训练,随后通过迁移学习微调的方式将特征参数迁移到超声影像数据域用以生成高维特征。通过引入空间金字塔池化与全局平均池化结构解决输入图像尺寸不一致所引起的分类性能损失。融合常规超声与弹性超声的深度特征形成混合特征空间,并在该混合特征上进行分类。最后,本文提出了一种基于多模态超声影像的甲状腺结节良恶性分类方法。浅层卷积共享图像的边缘纹理特征,高层卷积的抽象语义特征与具体的分类任务相关,使用迁移学习的方法可以解决超声影像上数据量不足的问题。同时弹性超声影像可以对甲状腺结节的病灶硬度进行客观量化,结合常规超声的纹理轮廓特征,二者融合的混合特征可以更为全面地描述不同病灶之间的差异。实验结果表明,该方法的准确率为94.7%,优于其他单一数据源的方法。本文从常规超声与弹性超声的不同成像原理入手,融合二者不同的特征分布并取得了较好的效果。作为计算机辅助诊断系统,在临床上可以有效辅助放射科医生诊断甲状腺结节病症,进一步提高临床诊断的准确性。