〔摘　要〕 目的 探讨深度卷积神经网络在甲状腺结节超声图像的自动检测和良恶性分类中应用价值。方法 回顾性选取1 012幅甲状腺结节的超声图像并对其进行标记，构建YOLOv5网络模型，精准定位甲状腺结节所在位置并自动裁减结节所在区域，同时构建GoogLeNet网络模型对裁减后结节的图像进行良恶性分类。结果 在所采集的数据集中，目标检测网络对甲状腺结节位置检测的平均精确度均值为96.2%;分类网络对良恶性结节分类的敏感度为0.885,特异度为0.822,准确度为0.866,AUC值为0.92,显著高于AlexNet模型(AUC=0.81)、VGG模型(AUC=0.86)和MobileNet模型(AUC=0.76)。结论 深度卷积神经网络模型对超声图像中的甲状腺良恶性结节具有较高的定位和识别能力，有助于提高影像自动诊断的准确性。