皮肤癌是一种对人们生命安全造成极大威胁的一种癌症,而在皮肤癌中最为致命的黑色素瘤是一种皮肤色素性恶性病变,具有不易发现、死亡率高的特点,对其进行早发现、早治疗就愈显重要。然而在现今诊疗过程中,通常依赖专业医生的临床经验,通过查看病变区域的大小、颜色、纹理等信息进行判断病变种类或者病变区域,这种相对主观的判断在面对多样性的皮肤疾病容易出现误诊现象,对于医疗资源会造成浪费。因此,通过计算机辅助皮肤病诊疗,帮助医生精确判断病变种类以及病变区域就非常重要,也能够使得黑素瘤等严重的皮肤疾病得到更快更专业的治疗,提高患者存活率。基于以上背景,本文基于深度学习对皮肤病图像进行分割与分类的研究,主要内容如下:（1）针对皮肤病图像边界模糊、病变区域大小不一的现象,基于U-Net卷积神经网络进行改进,提出一种皮肤病图像分割算法。将模型中编码结构使用Res Net50网络进行替换,得到带有多层次的语义信息特征层。随后采用不同倍率上采样将其尺寸统一,并在通道维度上联结进行特征融合。将上一步操作的输出经过信息融合模块,改善直接进行卷积操作造成的信息丢失现象,最后通过协同注意力模块筛选更重要特征。经过实验结果表明在ISBI2016黑素瘤病变检测挑战赛的官方数据集中,Jaccard Index分割性能指标达到了87.17%,相比U-Net模型提高了2.37%,并且其他指标也取得了全面超越。（2）针对皮肤病变区域存在毛发遮挡时分割效果不佳现象,设计一种基于双重注意力机制的皮肤病变图像分割网络。首先对图像通过Res Net50网络获得不同尺寸大小的特征层,对所提取特征进行多重特征融合,随后进入编码解码路径再进行多重特征提取,最后通过空间与通道注意力模块得到最终输出。在ISBI2016数据集上进行对比实验以及消融实验,实验结果表明所构建网络对于被毛发等物体遮挡的图像有着优秀分割结果。此外,实验各项指标分别为:准确率96.19%、敏感度93.32%、特异性97.32%、Dice系数93.26%和Jaccard指标87.36%,优于现有模型以及竞赛中所提出的模型算法。（3）针对皮肤病不同种类病变之间相似度高,病变种类易出现错误判断现象,设计一种轻量级皮肤病图像分类网络。网络中采用深度可分离卷积使得模型参数减少,并通过堆叠带有残差结构的瓶颈块加深网络深度。此外对下采样过程进行重新设计,将卷积层与池化层相结合,获得了具有更丰富特征信息的特征层。所提出模型在HAM10000数据集上取得了86.03%的分类准确率,优于现有分类模型,并且模型参数量也具有优势。