皮肤问题是比较常见的疾病问题,其中皮肤癌具有极高的致死率,如在早期能够检测出病变并及时进行治疗能有效降低该疾病的致死率。但传统的人工诊断方式存在一定的主观性容易造成检测误差,同时无法满足复杂多样皮肤问题实时检测的需求。目前,针对皮肤检测的问题,国内外研究人员主要利用大型专业的皮肤检测设备,但在无法满足人们对皮肤的实时检测需求。因此,设计一种可以用于便携式设备,快速、准确进行皮肤检测的方法,对于普通大众实时进行皮肤状况的检测具有重要意义。本文基于深度学习算法,设计了一种能够在便携式设备上实现皮肤病高效准确检测的方法。以传统的Mobile Net V2网络为基模型,为了提高模型的检测性能,在原有网络的结构上进行了改进,提出了基于注意力机制和类加权损失函数的改进Mobile Net V2算法。此外,搭建了智能皮肤检测系统,验证算法在便携式设备上实施的可能性。本文的研究内容如下:（1）针对便携式设备的应用,基于轻量型Mobile Net V2架构进行了网络结构缩减,并在Bottleneck结构中引入高效通道注意力（ECA）机制,增强网络对通道特征的提取能力,使模型更多地关注低层纹理特征信息,以解决同种疾病之间特征表现区别较小带来的模型检测准确率不高的问题,在网络在参数量减少的情况下,仍提高了模型的检测精度。（2）针对皮肤病样本各个类别之间的数据分布不平衡问题,通过类加权的方式融合中心损失和交叉熵损失函数,给予小样本的类别更高的权重,使网络能够准确识别出真正相关性高的特征,帮助模型更好地对疾病类型进行判别。（3）采用迁移学习的方式,将模型在Image Net上预训练并通过HAM10000数据集进行参数微调,以解决整体样本数较少的问题,防止网络过拟合。在此基础上,对网络的特征输出层进行改进,通过注意力模块提取隐含的高层语义特征信息,使得不同类型疾病之间的相似度较高的疾病更容易被区分,并将最后三层拼接来融合高层特征信息,扩大感受野范围,获得对皮肤病表观更强的特征信息,进一步提高分类准确率。（4）通过与现有先进的神经网络模型进行性能对比,可以得到本文提出的改进Mobile Net V2算法缩减了模型参数量,使得模型参数量仅为2.1M,检测准确率达到82.35%以上,分类准确率进一步提升,不仅体现出较高的检测精度,还能达到较快检测的目的。（5）将本文研究的改进算法应用于便携式移动设备上,搭建了一个智能皮肤检测系统,实现皮肤图像在线检测的智能医疗服务。皮肤实时检测平台的测试结果表明,本文研究的算法实现了在移动终端的良好应用,能准确识别出皮肤病的类型,为实现对大众的普及应用性提供可能。