为实现更为准确的甲状腺结节良恶性超声图像诊断，避免不必要的穿刺或活检手术，提出了一种基于卷积神经网络（CNN）的常规超声成像和超声弹性成像的特征结合方法，提高了甲状腺结节良恶性分类准确率。首先，卷积网络模型在大规模自然图像数据集上完成预训练，并通过迁移学习的方式将特征参数迁移到超声图像域用以生成深度特征并处理小样本。然后，结合常规超声成像和超声弹性成像的深度特征图形成混合特征空间。最后，在混合特征空间上完成分类任务，实现了一个端到端的卷积网络模型。在1156幅图像上进行实验，所提方法的准确率为0.924，高于其他单一数据源的方法。实验结果表明，浅层卷积共享图像的边缘纹理特征，高层卷积的抽象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数据样本不足的问题；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的量化，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全面地描述不同病灶之间的差异。所提方法可以高效准确地对甲状腺结节进行良恶性分类，减轻患者痛苦，给医生提供更为准确的辅助诊断信息。