目前,皮肤癌已成为全球最普遍的恶性肿瘤,其中黑色素瘤的死亡率最高。晚期黑色素瘤患者的生存期较短,而早期黑色素瘤患只要及时发现并将其切除,就可以有效地阻止肿瘤的扩散,从而提高患者生存率。因此,针对皮肤癌的类型、良恶性与早晚期的准确诊断,对于患者来说是至关重要的。然而,在临床实践中,由于病变的复杂性和皮肤镜图像数量的显著增加,手动分割耗时且具有主观性。由于皮肤镜图像存在大量噪声和伪影,以及大多数现有的皮肤镜分割模型缺乏全局上下文联系,特征信息提取不充分、区域分割边缘模糊等问题,使得分割效果不理想。针对以上问题,本文结合卷积神经网络模型,对皮肤镜图像分割方法展开研究。论文的主要研究内容如下:（1）提出了一种轻量化双分支降噪网络（Efficient dual-branch noise-reduction CNN,EDCNN）,以缓解皮肤镜图像的噪声以及空间位置信息丢失等问题。双分支结构包括细分割分支和降噪还原分支,两个分支共用编码器。编码器部分采用重组金字塔卷积（Restructuring Pyramid Convolution,RPC）替代普通卷积。RPC使用不同大小的分组卷积并行提取图像特征信息,以减少图像中病变区域大小、空间差异大等不利因素的影响。在EDCNN细分割分支的跳过连接中嵌入新颖的注意力模块（Channel and Spatial Shuffle Attention,CSSA）。CSSA通过分组计算的方式减少计算量,将空间注意力和通道注意力结合,对注意力位置信息做补充。降噪还原分支采用自编码器思想,将编码器的输出上采样恢复后,输出原始输入降噪后的3通道图像。降噪还原分支缓解了皮肤镜图像的噪声对分割结果的影响。最后使用多标签损失函数来更新参数以训练模型。（2）提出了一种轻量化的分割网络（Efficient UNet combined with Transformer Network,EUTNet）,将局部信息与全局信息结合,以提高皮肤镜图像分割性能。EUTNet以所提出的双分支降噪网络为基础,将UNet与Transformer进行融合。EUTNet的编码器部分加入Mobile Vi T+模块对全局信息进行编码,用Inverted Residuals卷积块代替普通卷积对卷积核大小的区域信息进行编码。编码器部分将UNet的局部信息提取能力与Transformer的长距离信息获取能力相结合,充分挖掘图像深层次特征信息。在解码器部分用Sandglass代替普通卷积模块,以缓解Transformer带来的计算资源消耗增加的问题。（3）将所提方法应用于皮肤镜图像标准数据集ISIC-2017和PH2上,验证网络分割性能。通过EDCNN在ISIC-2017上的消融实验,验证了EDCNN的基础双分支结构对缓解皮肤镜图像噪声的影响是有效的,并且证实RPC模块和CSSA模块提升了EDCNN模型的特征提取能力。将EDCNN和EUTNet与其他最新皮肤病变图像分割算法的性能进行比较,两个分割网络在六项指标上均取得了有竞争力的结果。为了验证模型的鲁棒性,在另一个公开可用的数据集PH2上对EDCNN和EUTNet进行了测试,同样获得了很好的结果。最后,对EDCNN和EUTNet进行了对比实验,EUTNet在准确性、灵敏度、Dice系数、Jaccard系数、Matthew相关系数上的数值相较于EDCNN均有所提升,表明UNet结合Transformer能有效的提高模型的分割性能。