随着深度学习技术的兴起和发展,基于深度学习的医学图像分析技术成为计算机辅助诊断领域的热门研究课题。由于皮肤病种类繁多且目前皮肤病鉴别标准和诊断标准不统一,如何实现皮肤病图像自动诊断成为当前皮肤病辅助诊断领域尚待解决的瓶颈问题。因此,本文结合深度学习对皮肤病图像自动诊断技术展开相关研究。本文工作主要包含以下两个方面:针对皮肤病鉴别标准和诊断标准不统一,且当前皮肤病辅助诊断系统均采用鉴别标准辅助医生诊断的问题,本文提出了一种基于区域提议的面部皮肤病图像自动诊断算法。该方法基于诊断标准将皮肤病图像自动诊断分为皮肤病检测和皮肤病分类两个步骤,首先基于改进的Faster R-CNN算法检测皮肤病病灶区域和统计病灶数,其次将检测结果输入到分类网络中确定检测区域的类别,最后将检测与分类的结果结合病灶区域数量和个人信息对皮肤病图像进行自动诊断。将目标检测方法与分类方法结合避免了面部皮肤病数据集中不同类别样本数量不均衡的问题。针对因面部皮肤病数据集中不同类别样本数量不均衡,影响诊断算法准确率的问题,本文提出了一种基于循环一致性对抗网络的面部皮肤病图像自动诊断算法。该方法首先利用循环一致性对抗网络对面部皮肤病数据集中数据量较少的皮肤病图像进行扩充,并将生成结果交由专业人员评定和标注,平衡数据集中不同类别面部皮肤病的样本数量。其次在基于区域提议的皮肤病检测网络的基础上,使用平衡后的面部皮肤病数据集训练皮肤病检测网络,使其可以单独完成对皮肤病区域的检测,分类和统计病灶区域数量,并结合个人信息对皮肤病图像进行自动诊断。该方法解决了面部皮肤病数据集中类别不平衡的问题,提高了皮肤病诊断算法的准确率。本文结合深度学习技术,针对皮肤病鉴别和诊断标准不统一,从类别不平衡数据集的皮肤病图像自动诊断与类别平衡数据集的皮肤病图像自动诊断两个方面对皮肤病图像自动诊断技术进行了研究,提出的方法是对皮肤病图像自动诊断技术的探索。