恶性皮肤病是致命的癌症之一,早期诊断非常重要,其可以显著地提高病人的存活率。近些年来卷积神经网络(Convolutional neural network,CNN)方法在医学图像领域表现出较大的优越性,然而获取大规模带有标注的医学图像较为困难,并且训练时间较长,而小规模医学数据从头训练网络容易造成过拟合问题。为此,本文提出以CNN为基础的二次迁移方法对皮肤图像进行识别,将公开数据集ISIC2018作为第一次迁移的目标域,第二次迁移的目标域为公开数据集ISIC2017。本文主要研究内容包括以下两个方面:首先将ImageNet数据集上预训练好的CNN模型迁移到皮肤图像中。针对皮肤数据集ISIC2018的特点,本文分别采用VGG19、Inception v4和DenseNet169三种不同卷积网络,并重新构建相应的全连接层,然后载入ImageNet预训练好的权值,作为卷积网络的初始化权值,对ISIC2018数据进行迁移训练。由于数据样本较少,网络训练时采用更新部分网络层权值的方式,其余层权值保持不变用于提取图像的基础特征。实验结果表明,在ISIC2018数据集上,三种模型VGG19,Inception v4和DenseNet169经过迁移训练后,其预测的准确率分别为90.25%,88.31%和91.50%。本文因此选取最佳模型DenseNet169作为二次迁移的训练网络模型。由于ImageNet数据集与ISIC2018数据集特征相似度不高,某种程度上会影响迁移后训练和预测的效果。因此,本文在DenseNet169第一次迁移训练的模型基础上,把对ISIC2018训练后的权值迁移到有较高的相似度特征,同为皮肤数据集ISIC2017上进行二次学习训练,并测试DenseNet169的预测效果。实验结果表明对DenseNet169网络模型进行两次迁移学习后,其对皮肤病的预测准确率有一定的提升。