基于深度学习的医学数字图像的分割、分类是现代医疗的重要研究方向,但是这些传统分割方法由于通过采样存在着空间分辨率下降的问题,一些像素的重要细节被忽略,导致不能分割出更细化病变边界。且分类方法存在着各种问题,如InceptionNet存在着深度增加而引起梯度消失的问题,ResNet缓解了梯度消失问题,但是其计算量较大,训练时间长。DenseNet在保持ResNet精度的同时其计算量仅为ResNet的一半,大大减少了计算量,但是DenseNet由于其密集连接的方式存在着特征冗余的问题。基于上诉问题,本文提出了结合全分辨率卷积网络,即Full resolution convolutional networks（以下称Frcn）与挤压激励密集连接网络（以下称SEDenseNet）的皮肤镜图像分割与分类,它是一种结合皮肤病变边界分割和多种皮肤疾病分类的两阶段的集成框架。主要研究内容、成果以及意义如下:（1）针对由于下采样层导致的空间分辨率下降问题,以及通过上采样和去卷积层来恢复空间分辨率损失而导致的像素重要细节被忽略和不易恢复的问题。本文提出了采用Frcn分割器对皮肤病变边界进行分割。它学习输入数据的每个像素的全分辨率特征,解决了空间分辨率下降的问题,并且不再需要一些低对比度调整、去除伪影以及进一步分割病变边界的操作,就能直接预测更细化病变边界。并且为后面的分类提供良好的数据基础。（2）针对InceptionNet、ResNet以及DenseNet存在的一些局限性,本文提出了挤压激励网络（以下称SENet）和密集连接卷积网络（以下称DenseNet）的组合网络。它将SENet作为DenseNet的附加层,通过SENet的注意力机制来标定特征通道的权重,对有用的特征通道进行增强,对无用的特征通道进行削弱,以此实现对特征通道的自适应校准,有效的减轻特征冗余的问题。（3）集成Frcn分割与SE-DenseNet分类,主要分为两个阶段。第一阶段是对分割器评估阶段;第二阶段是将分割器分割后的病变边界作为输入,再对分类器进行评估阶段。第一阶段分别采用ISBI和PH2数据集训练和评估Frcn、FCN、U-Net、SegNet网络,分别将这4个网络从数据集中分割出皮肤病变边界,实验结果显示,Frcn方法在PH2数据集上分割准确率较高,对皮肤病变的总体分割准确率为89.17%,与FCN,U-Net和SegNet相比,分别高2.26%,2.53%和1.72%,得出了Frcn分割器的优越性;第二阶段将ISIC2016数据集、ISIC2017数据集、ISIC2018数据集、ISIC2019数据集首先分别通过Frcn分割器分割出皮肤病变边界,再将分割后的图像分别通过InceptionNet、ResNet、DenseNet、SE-DenseNet分类器进行多种皮肤疾病的分类。实验结果显示,在ISIC2019数据集上准确率最高,其中InceptionNet、ResNet、DenseNet、SE-DenseNet的准确率分别84.96%、85.61%、86.19%、86.60%,实验表明,基于Frcn的SE-DenseNet皮肤病图像分割与分类算法具有更好的分割、分类效果。（4）最后通过成都市某医院皮肤科的皮肤镜病例的实验分析来进一步验证基于Frcn的SE-DenseNet的网络的实际应用价值。此项研究不仅可以作为皮肤病检查的计算机辅助系统,协助皮肤科医生提高他们的效率和分析质量,而且推动着皮肤病学图像进行计算机分析的研究发展。