目的：针对超声甲状腺结节边界模糊、纹理复杂及多尺度等影响分割精度的问题，提出一种改进的 YOLOv11n-seg-SRS 算法。方法：首先，在主干网络引入 RCSOSA 模块，通过特征级联增强对模糊边缘的特征提取；其次，提出 SDBIFPN 网络结构，结合 SDI 模块与双向特征金字塔，实现多尺度特征的高效加权融合；最后，引入 Inner_ShapeIoU 损失函数，量化形状偏差以提升对微小结节的检测精度。结果：在 TN3K 数据集上的实验表明，改进模型相较于基线模型 mAP 提升了 5.7%，准确率、召回率和 F1 分数分别提升 6.5%、4.6%和 5.4%，优于现有主流 YOLO 系列算法。结论：该算法有效解决了复杂场景下的分割难题，具有更高的检测精度与鲁棒性，适用于临床辅助诊断。