目的　基于超声背散射信号的深度学习技术是超声组织定征中的一种新兴趋势，提出一种基于背散射信号卷积神经网络（Convolutional　Neural　Network,CNN）的深度学习模型多分支残差网络（Multi-Branch　Residual　Network,MBR-Net），并分析其对脂肪肝的评估效能。方法　MBR-Net由3个分支组成，各分支使用不同卷积块，以增强局部特征获取能力，结合带有跳跃连接的残差机制，引导网络有效地捕获特征。实验采用204例临床脂肪肝（S0无脂肪肝80例、S1轻度脂肪肝70例、S2中度脂肪肝36例、S3重度脂肪肝18例）背散射信号。采用背散射信号重构B超图像，手工选定肝实质区域，对其中的每条射频信号，使用长度为768个采样点的门在其上滑动，步长为20个采样点，得到n条门控信号。然后从n条门控信号中随机选取256条。结果　共获得261120条信号样本（S0:102400;S1:89600;S2:46080;S3:23040）。MBR-Net与Nguyen网络、Han网络在脂肪肝评估中的性能比较，MBR-Net诊断脂肪肝程度≥S1、≥S2、≥S3均具有更高的准确度、灵敏度和特异性，且MBR-Net的AUC也最高；MBR-Net（三分支网络）的脂肪肝分类效果优于双分支网络和四分支网络。结论　相较于传统的单分支、无残差机制的CNN方法，本研究提出的MBR-Net整体上提高了分类精度，在评估肝脏脂肪变性程度的分类任务中取得了良好的性能，MBR-Net可作为超声背散射信号深度学习评估脂肪肝的新方法。