在众多皮肤病中,黑色素瘤是最常见且最致命的恶性皮肤癌症,严重威胁人类的身体健康。治疗黑色素瘤的有效方法是使用皮肤镜进行早期诊断,但是传统通过肉眼观察来诊断黑色素瘤的方法,极易受到医生个人主观经验的影响,造成误诊和漏诊。因此,利用计算机技术提高黑色素瘤诊断的准确率,以此辅助医生对黑色素瘤进行早期筛检,具有非常重要的研究价值和现实意义。在对黑色素瘤的分类问题的研究中发现,其中存在训练样本不足、不同类别之间区分度小及数据不均衡等问题。为解决上述问题,使用数据增强、卷积神经网络、生成式对抗网络等深度学习技术及集成学习,学习到的分类模型能够更加准确的分辨黑色素瘤。论文的主要研究工作和成果如下:1.针对黑色素瘤分类任务中存在的训练样本不足问题,在改进他人方法的基础上提出随机掩盖和非随机掩盖这两种数据增强方法。同时,基于生成式对抗网络生成假的训练样本,将其和真实训练样本按照比例融合,提出真假样本融合这种新的数据生成方法。上述方法的使用均有效提升了黑色素瘤的分类效果;2.针对黑色素瘤分类任务中存在的不同类别之间区分度小的问题,本文使用多种卷积神经网络自动进行图像分类特征的提取,最终选择使用ResNet-50来提取特征。实验结果表明使用ResNet-50提取到的特征用于黑色素瘤分类更合理,能够有效改善分类效果;3.针对数据不均衡问题,使用随机掩盖、非随机掩盖和真假样本融合这三种方法构建具有差异性的训练集,然后基于ResNet-50网络构建多个基分类模型,以此为基础对这些模型进行集成,集成后的模型在黑色素瘤分类任务中的表现更加优异。实验结果表明,通过使用深度学习技术可以有效提升模型在黑色素瘤分类任务中的表现,平均精度值达到0.691,比ISIC2016挑战赛冠军的结果高出近6%。和ISIC2017挑战赛结果相比,在少用一倍训练数据的基础上,分类结果可以在竞赛中排到第五名,非常具有竞争性。这说明本文提出的方法可以很好应对黑色素瘤分类问题中的诸多挑战,为构建高准确率的黑色素瘤诊断系统奠定良好的基础。