针对甲状腺结节尺寸多变、超声图像结节边缘不清晰等特征导致人工诊断筛查过程中出现的误诊和漏诊的现象，提出了一种基于多尺度注意力的MSA-UNet甲状腺结节超声分割方法(mutil-scale attention UNet，MSA-UNet).该算法首先使用不同空洞率的空洞卷积提取甲状腺病灶特征信息，之后将不同尺度的特征信息进行特征融合，解决不同甲状腺结节大小对超声图像分割结果的影响。考虑到位置关系信息学习和深层次语义特征筛选后的特征对分割模型的影响，通过使用通道注意力机制使网络模型更加专注于更有用的特征信息，从而提高甲状腺结点的分割精度，实现病灶区域的精细分割。实验结果表明，该方法在甲状腺超声图像数据集上召回率达87%，分割精度为86.1%，Dice值为84.6%，较现有的深度学习方法有较高的提升，可为甲状腺结节的检测诊疗提供新的研究思路。