La segmentación precisa de nódulos tiroideos en imágenes de ultrasonido es esencial para el diagnóstico y tratamiento asistido por computadora. Aunque se han propuesto varios métodos de aprendizaje profundo, distribuciones de intensidad similares y morfología variable de los nódulos a menudo conducen a límites de segmentación borrosos y a la detección fallida de nódulos pequeños. Para abordar este problema, proponemos una U-net de fusión cruzada a múltiples escalas con convoluciones de wavelet combinadas (MCFU-net) para la segmentación de nódulos tiroideos. En primer lugar, la red diseña un bloque de convolución de wavelet de múltiples ramas (MBWC), que desacopla características de textura a través de un análisis multiresolución en el dominio de wavelet y reorganiza características de canal cruzado, mejorando así las capacidades de extracción y agregación de contexto durante la etapa de codificación. En segundo lugar, se construye un módulo de pirámide atrous selectiva por escala (SSAP) basado en percepción dinámica de múltiples niveles para lograr una mejora de saliencia para nódulos de diferentes tamaños, con el fin de mejorar la capacidad de detección de nódulos pequeños. En tercer lugar, para disminuir la pérdida de información de alta resolución durante el aumento de tamaño, se diseña un módulo de fusión cruzada a niveles (CLFM) con mecanismos de refinamiento jerárquico, que reconstruye progresivamente áreas de límites ambiguos a través de un aumento de tamaño multietapa. Los experimentos realizados en dos conjuntos de datos públicos de ultrasonido, TN3K y DDTI, demuestran la efectividad y superioridad de nuestro método, logrando coeficientes de Dice del 85.22% y 78.21% y valores de IoU del 74.25% y 64.23%, respectivamente.