癌症已经是威胁人类生命的最大罪魁祸首之一,而皮肤癌是最容易被忽视的癌症。如果能早期诊断出皮肤癌并进行治疗,那么就可以大大增加患者的生存率。常规来说,对皮肤病的检测首先是通过皮肤镜检查生成高清的皮肤镜图像,然后再由专业的皮肤科医生进行识别。但是这个病变检测过程非常依赖专家的经验,具有非常强烈的主观性,因此非常必要开发一种更准确可靠的系统来取代人工诊断。但是由于存在数据集有限、数据集不平衡、特征提取困难、皮损面积小这四个方面的原因,使得传统分类模型在检测皮肤病时往往不能取得很好的效果,目前已有大量工作对前三个问题加以解决,而解决第四个问题的相关工作相对较少。因此,本文主要探究了解决皮损面积小这个问题的方法,并建立了相关模型提高病变检测的性能。本文的主要贡献如下:（1）首先归纳总结了已有的皮肤病检测方法,主要将现有的皮肤病检测方法根据现有问题分为了四大类,针对数据集有限问题,主要使用了预训练模型等方法;针对数据集不平衡问题,主要使用了采样、数据合成、代价敏感等方法;针对特征提取困难问题,主要采用了集成学习、引入注意力机制,元信息,多任务学习等方法;针对皮损面积小问题,主要采用了引入分割信息等方法。（2）对于前三个问题目前已经有了大量的解决方法,但是大部分已有工作忽视了皮肤镜图像中皮损面积过小的问题,针对该问题本文设计了一种两阶段检测方法,在第一阶段中,首先使用改进完全卷积残差网络（Improved Fully Convolutional Residual Network,IFCRN）对皮肤病变图像进行病变分割,在第二阶段中,根据分割结果将包含皮损部分的区域裁剪出来,然后放大到统一尺寸,最后使用深度残差网络（Deep Residual Network,DRN）对放大后的皮肤病图像进行分类检测,得到最终的检测结果。实验结果表明,基于分割结果而不是原始的皮肤病图像来训练分类网络,可以有效地防止分类网络在训练过程中受到图像中其他结构和伪影的干扰,并且还能放大皮损面积,从而生成更具有区分性的特征,获得了更好的识别效果。（3）为了解决由于分割标签难获得而无法很好地训练分割网络这个问题,本文又提出了一种基于双分支注意力神经网络的皮肤病检测框架（Double-branch Attention Convolutional Neural Network,DACNN）。首先,DACNN框架显式地包括采用相同结构的上下分支网络。每个分支网络都采用注意力残差学习结构（Attention Residual Learning,ARL）加强对病变区域特征提取的能力,并且使用设计的病变定位网络（Lesion Location Network,LLN）连接上下分支网络结构,即LLN通过引入注意力机制,定位到病变区域,并且将病变区域裁剪放大作为下分支网络的输入,能够使下分支网络聚焦到病变区域,从而在不需要病变分割标签的情况下,依然能针对病变区域进行检测,实验表明,相较于现有的几种典型皮肤病变检测方法,DACNN性能得到了大幅的提升。