皮肤恶性黑色素肿瘤是一种恶性程度比较高的肿瘤,虽然其发病概率较低,但其在早期较难发现、转移快,因此死亡率较高。对于恶性黑色素肿瘤,早发现并且早治疗是治愈的关键。基于机器学习的黑色素肿瘤的分类问题已有不少研究,这些研究一般先是人工提取特征,然后对其进行分类,这样的方法较为繁琐,且提取不到较深层次的特征,导致黑色素肿瘤分类的效果一般。本论文使用深度神经网络的方法,对黑色素肿瘤图像进行分类,并使用扩充数据集和改进网络的方法提高了黑色素肿瘤分类的效果。针对于黑色素肿瘤数据集中恶性样本较少的问题,提出使用生成对抗网络的方式进行数据增强。并针对传统生成对抗网络生成的样本存在伪影以及标签不好确定的问题,本论文提出使用循环一致性生成对抗网络（Cycle GAN）来生成少数类样本并用消融实验得到循环一致性损失的权重λ=6时效果最好,然后通过改进生成器提高了数据增强的效果。之后使用对比实验的方法对比本文中的数据增强方法的效果和传统数据增强方法的效果,得出本文所用数据增强方法效果明显好于传统数据增强方法效果的结论。最终本文使用的数据增强方法在多种网络中都能相较于原数据集提高二到三个百分点的准确率,并且能大幅提高模型的敏感性。最后,本文通过对比多种主流的深度学习模型,得出Inception Res Netv2在本任务中表现最好的结论,然后在这个网络的基础上通过使用注意力机制小幅提高了分类效果,最终分类的准确率为95.09%,敏感性为92.15%,特异性为96.12%,AUC为0.9346。