近年来,利用计算机辅助进行医学图像的处理和分析技术已经被广泛应用。随着机器学习技术的兴起和发展,基于机器学习的医学图像处理技术的研究也成为计算机辅助诊断领域的热门问题。皮肤癌是目前很常见的一种癌症,发病人群覆盖各个年龄段。皮肤癌的诊断过程复杂,需要医生先观察判断,再通过显微镜下进行活体组织切片检测,所以更加准确的皮肤病分类算法会对皮肤癌的及时诊断提供很大的帮助。利用光学图像对皮肤特征进行自动分类有很多难点,但深度卷积神经网络为实现这一过程提供了技术基础。本课题旨在研究基于深度学习的皮肤病临床图像分类和预测方法,并与传统的机器学习方法进行比较。搭建独立的皮肤病数据库,训练并优化神经网络,提高皮肤病分类的准确率。本文主要创新点和贡献总结如下:1.针对目前没有公开的较大规模的皮肤病临床图像数据集,本文建立了一个含有90种常见皮肤病共计4702张图像的皮肤病临床图像数据集。该数据集具有很强的多样性:种类多样性、外观多样性和属性多样性。同时我们对数据集做了包括图像去噪、图像增强和毛发消除等预处理操作,使得数据集具有了优秀的分类特性。2.通过分析皮肤病临床图像的图像特点,针对机器学习传统分类方法中利用单一特征提取方式分类效果不佳的情况,本文提出了一种多特征融合的方式,利用典型相关分析法对单一特征进行融合后训练SVM分类器,同时通过对核函数的选择优化分类器。实验证明,多特征融合的方式提高了分类的准确率。3.通过迁移学习的方式,利用深度学习神经网络,对比了不同网络模型和不同迁移学习训练方式对不同类型皮肤病图像分类效果的影响。同时提出了一种新型的多尺度神经网络模型,利用不同尺度的输入进行特征提取,利用神经网络进行分类。实验证明,多尺度神经网络模型提高了不同类型的皮肤病图像的分类准确性。