甲状腺结节是成人临床最常见的结节性病变之一，发病率一直居高不下。甲状腺结节有良性和恶性之分，后者即为甲状腺癌，会造成患者呼吸吞吐困难甚至危及患者生命。因此，识别甲状腺结节的良恶性是诊断和治疗甲状腺结节的首要问题。深度学习能够自动提取结节特征，并完成甲状腺结节的良恶性初步分类。随着深度学习分类准确率的不断提高，目前它已成为甲状腺结节良恶性辅助诊断的重要手段。为更好地进行甲状腺结节良恶性分类辅助诊断研究，对常用的结节分类性能评价指标进行介绍；按卷积神经网络、Transformer、深度神经网络、生成对抗网络、迁移学习、集成学习以及基于深度学习的计算机辅助诊断系统进行分类，对它们在甲状腺结节良恶性分类中的应用进行阐述，并进行综合对比分析；总结了目前研究中存在的问题，并对未来的研究方向进行了展望。

甲状腺癌的发病率近些年来不断上升，早期确诊甲状腺结节可以有效降低甲状腺癌死亡率。超声检查通常为甲状腺医学成像的首选方案，根据近些年国内外发表的相关文献，系统地概述了卷积神经网络（CNN）针对超声图像的甲状腺结节诊断算法，主要内容包括CNN在甲状腺结节的病灶区域提取、良恶性分类以及钙化点识别三个方面的应用。各算法的基本设计思想、网络架构形式、相关改进目的及方法都得到详细阐述，旨在为研究人员提供更清晰的参考思路。最后，总结性分析了基于CNN的甲状腺结节诊断的各类算法并探讨了其未来可能的研究热点及相关难点。

临床上常规的超声成像对甲状腺结节进行诊断时存在误诊和漏诊。研究了利用多种采集频率的长焦区聚焦换能器进行光声成像的方法。在模拟样品里埋入不同尺寸的血块模拟病变组织，采用不同中心频率的换能器对模拟样品进行光声成像，然后将血液注入正常人体甲状腺内部形成两处瘀血区，模拟病变甲状腺组织，经二维扫描重构出模拟病变甲状腺组织的三维光声图像。结果表明，不同频率的超声换能器对不同尺寸病灶体的探测灵敏度存在较大差异，5 MHz的宽带换能器对几百微米直至毫米量级大小的病灶体均具有良好的灵敏度。获得了甲状腺及其内部两处瘀血区域的较高分辨率和对比度的三维图像。此项技术有望与超声成像技术结合，进一步提高甲状腺疾病诊断的准确率。