近年来,以黑色素瘤为代表的皮肤癌成为全世界致死率最高的癌症之一,皮肤疾病的及时确诊与治疗,能够提高此类疾病的5年生存率。针对皮肤疾病的计算机辅助诊疗系统的需求增加。计算机辅助分析被医学届期待可以缓解皮肤科医生的就诊压力,提高效率。自2012年以来,深度学习不断发展演变,基于卷积神经网络的模型已经在医学图像分析中取得了不错的效果。皮肤镜图像分析中主要有皮肤病变区域分割和诊断两个任务。皮肤病变区域分割的目的是辅助医生准确切除病灶。自动皮肤病变区域病诊断的目的是实现基于皮肤镜图像下的诊断,本文将在在深度集成学习与模型融合的基础上,在小样本皮肤镜图像的情况下,改进深度学习模型这两个任务的应用。主要研究内容如下:1)针对皮肤病变区域分割任务,本文提出了一种Separable-UNet模型,结合了可分离卷积操作与UNet结构的优点。它能够充分地获取特征通道之间的关联性与高级语义特征信息进而增强分割精度。同时,针对深度学习模型在小样本皮肤病变分割数据时出现的过拟合问题,本文提出使用动态加权平均策略（Stochastics Weights Averaging,SWA）,对模型多个局部最优点进行加权平均来使模型获得更好的优化和泛化性能,进而提高了模型的分割性能。最后,相对于其他皮肤病变分割框架,本文从皮肤病变分割整体框架中的图像预处理,图像尺寸选择,分割模型参数,以后图像后处理四个部分进行精简,使本文的皮肤病变分个框架单张图片的分割时间仅用时0.044s。2)针对皮肤病变区域诊断任务,本文提出了一种全局-部件模型（Global-Part Convolutional Neural Network,GP-CNN）。其中全局模型由下采样皮肤镜图像进行训练,用以获取图像的全局信息和相应的类别激活映射图（Class Activation Map,CAM）;局部模型由CAM引导抽取的图块进行训练,用以获取皮肤镜图像的细粒度信息。最后,通过对全局上下文信息与局部细粒度信息进行加权融合,来提高皮肤病变区域病诊断的精度。同时,本文提出了一种基于数据变化的集成学习策略（Data-Transformed Ensemble Learning,DTEL）。通过将由原始图像,颜色恒常性变换图像和特征显著性变换图像训练的GP-CNNs不同的决定信息进行融合,进一步提高了诊断的精度。3)采用Python编程语言以及Keras,Tensorflow针对PC端,开发皮肤图像辅助诊疗软件。软件中集成了本文提出的皮肤病变分割与皮肤病变诊断模型,可以实现这两项任务的实时检测。本文提出的皮肤病变分割模型与皮肤病变诊断模型均在ISIC,PH2,HAM等数据集验证。在皮肤病变分割任务中,通过与现行其他分割方法进行对比试验,本文提出的SU-SWA（Separable-UNet with Stochastic Weights Averaging）模型可以在单张分割时间少于其他皮肤病变分割方法的同时,实现极佳的分割性能。在皮肤病变诊断任务中,与现行的其他诊断方法相比,本文提出的GP-CNN-DTEL模型能够在不使用分割框架和外部数据的情况下,取得多个公共数据集上最优的结果。本文的方法将为皮肤病变区域分割与诊断提供可行的计算机辅助工具,具有重要的应用价值。