超聲是檢測甲狀腺結節的首選方法，鈣化特征是甲狀腺結節良惡性判別的重要特征。但是由于囊壁等結節內部結構的干擾，鈣化點提取一直是醫學影像處理技術中的難點。本文提出了一種基于深度學習算法的鈣化點提取法，并在阿列克謝（Alexnet）卷積神經網絡的基礎上提出了兩種改進方法：① 通過添加逐層對應的反池化（unpooling）和反卷積層（deconv2D）使網絡向著所需要的特征進行訓練并最終提取出鈣化特征；② 通過修改 Alexnet 模型卷積模板的數量和全連接層節點的數量，使其特征提取更加精細；最終通過兩種方法的結合得到改進網絡。為了驗證本文所提出的方法，本文從數據集中選取鈣化結節圖像 8 416 張、無鈣化結節圖像 10 844 張。改進的 Alexnet 卷積神經網絡方法的鈣化特征提取準確率為 86%，較傳統方法有了較大提升，為甲狀腺結節的良惡性識別提供了有效的手段。