黑色素瘤（Melanoma）是一种位于皮肤最上层表皮的黑色素细胞异常生长导致的恶性皮肤肿瘤。它发病率低,但致死率高。黑色素瘤的早期诊断对患者的治疗至关重要。借助于无创伤、有效和方便快捷的皮肤镜成像（Dermoscopy）,临床皮肤科医生对黑色素肿瘤的诊断准确率大大提高。因受临床诊断经验、工作环境和劳动强度等因素影响,其诊断结果表现为同一医生不同时刻或者同一时刻不同医生的偏差较大,带来漏诊率和误诊率偏高。计算机辅助黑色素肿瘤诊断能有效地缓解医生的工作强度、降低诊断者之间或者之内的差异、有利于提升诊疗水平。皮肤损伤区域分割是计算机辅助诊断系统的一个关键而基础的步骤,它能去除无关的背景噪声,从而提高后期皮肤癌分类的精度。因此,研究精准的皮损区域分割算法具有十分重要的临床意义。面对皮肤镜图像中皮损区域分割这项挑战性任务,本文首先提出多尺度上下文引导的网络（Multi-scale Context-guided Network,MSCGnet）。在 MSCGnet 模型框架中,上下文信息加入到U形主干网络的多尺度特征层,增强网络的皮损区域检测能力,从而改善分割结果。在编码路径,通过多尺度上下文信息引导早期特征的学习,使之学习到更具辨识力的特征。在解码路径,本文设计了基于上下文的注意力结构来在多尺度信息融入前对其进行筛选,使加入信息的置信度更高。此外,我们应用迭代机制来逐步改善分割结果,MSCGnet升级为iMSCGnet。iMSCGnet训练采用深度分级监督机制来使网络学习到更具辨识力的特征。iMSCGnet在ISBI 2016,ISBI 2017,ISIC 2018和PH2数据库上的实验结果验证:该方法可鲁棒地、准确地检测出皮肤镜图像中的皮肤损伤区域。针对级联模型未能很好地挖掘皮损区域中困难像素的类别信息,本文再提出一种渐进内容引导的循环 U-Net（Progressive Content Guided Recurrent U-Net,PCG-RUnet）模型,实现皮肤镜图像中皮肤损伤区域分割。不同于传统的级联方法,PCG-RUnet有针对性地实现像素级别的从易到难分割。因为学习均匀的分布比直接学习长尾分布更容易,PCG-RUnet在不同内容课程的指导下进行渐进式分割。考虑到预先定义课程是费时、费力和极具挑战性的,本文采用U-Net++从原始医学数据中自动学习课程。在PCG-RUnet中,循环UNet框架实现渐进式由易到难分割。PCG-RUnet在ISBI2017,ISIC 2018和PH2数据库上的实验结果验证:该方法可鲁棒地、准确地检测出皮肤镜图像中的皮肤损伤区域且比级联模型获得更高的分割精度。