随着人们生活质量的提高,健康问题受到关越来越多的关注。皮肤病作为一种常见的疾病,给患者生活带来了很大的影响,在没有得到及时、有效的诊断治疗情况下,轻症患者皮肤会受到损伤,重者会出现顽固性皮肤疾病甚至发生癌变。当前,皮肤病检测主要依赖人工肉眼观察,导致诊断率受专业医生的主观因素影响较大。如何利用人工智能方法提高诊断准确率是广大专家和相关学者所面临的重要问题。本文围绕基于机器学习的皮肤镜图像病变检测算法进行深入研究,并进行了实验验证,具体研究工作如下:首先,提出了基于 HSV(Hue,Saturation,Value,HSV)颜色空间和新型全卷积皮肤镜图像病变区域分割法。通过融合HSV颜色空间和高斯加权均值分割策略,以提高皮肤镜图像病变区域分割算法稳定性和抗干扰能力,并引入GrabCut分割法进一步改善分割效果;同时,将传统U-Net特征提取结构变换为轻量级特征提取结构,探讨一种具有混合模态输入的轻量级语义分割网络,通过引入卷积变换模块解决U-Net结构中跳跃连接时潜在的语义差异问题,同时对编码器中不同尺度的输出特征进行双线性差值,从而为解码器提供更加丰富的语义特征,提高模型的分割精度。其次,研究了基于特征描述子和新型轻量级卷积神经网络皮肤镜图像病变识别法。基于主流特征描述子SIFT(Scale Invariant Feature Transform,SIFT)、SURF(Speeded-Up Robust Features,SURF)、LBP(Local Binary Patterns,LBP)以及局部深度特征,构建基于词袋特征和特征直方图的分类模型,以提高皮肤镜图像病变识别率;通过基于轻量级卷积模块构建特征提取网络,同时引入细粒度分类原理对特征提取网络输出的特征向量进行相似性度量,以改善模型的特征分辨能力和识别准确率,并基于Grad-CAM++算法和T-SNE算法从特征激活图和特征聚类两个角度对所提病变识别模型进行了可视化分析。最后,设计了基于PyQt平台的皮肤病图像病变检测系统。利用QtGui模块构建检测系统显示界面,并使用QtWidgets模块开发检测系统功能控键,并利用皮肤病图像,验证了系统的可行性和有效性。