近年来,黑色素瘤的患病人数有着逐年上升的趋势。黑色素瘤对人们的健康造成了很大的威胁,对它的及早诊断和治疗非常有利于延长患者的生命。皮肤病变图像分割是对皮肤病变图像分类之前关键的一步,良好的分割结果将有助于提升皮肤疾病的分类正确率,帮助临床医生更好地进行诊断。采用人工方式对采集的皮肤病变图像进行标注等对医生的专业知识和经验有较高要求,而且会消耗医生较多的时间与精力,容易出现人为失误,开发自动对皮肤病变图像进行分割的算法就显得非常必要。同时,病理组织图像有着尺寸大小变化大、形状和边界不规则、背景信息复杂和边界模糊等特点,这些特点使得皮肤病理组织分割至今仍是一个非常有挑战性的问题。以深层卷积神经网络为基础的算法在计算机视觉方向表现了突出的效果,更是成为了图像分割任务的主流算法。许多研究者将深度学习方法应用到医疗图像分析问题上,取得了许多优秀的研究成果。在皮肤病变图像分割任务上,虽然现有分割算法取得了较好分割效果,但是它们仍有一些不足:（1）模型的特征提取能力受限,并不能为分割任务提供丰富的特征;（2）它们使用的特征融合方式比较低效,并没有选择更加重要的特征图,这也影响了皮肤病变图像的分割效果。针对这些问题,本文设计了一个编码器-解码器结构的皮肤病变图像分割模型。本文的主要工作如下:（1）调查研究了在语义分割和皮肤病变图像分割问题上的国内外研究现状,介绍了卷积神经网络的基本理论和经典模型。（2）提出了一个以编码-解码结构为基础的皮肤病变图像分割模型。为增强模型的特征提取能力,使用修改的Efficient Net作为支柱网络（backbone network）;此外,为了提升模型对各个编码阶段生成特征图的特征融合效率,使用了门控完全特征融合模块来对编码阶段生成的各个特征图进行融合;最后,为了改进解码器的解码能力,使用了密集特征融合方式来改善特征;最终模型在皮肤病变图像上展现出了较好的分割效果,可用于构建计算机辅助诊断系统,提升黑色素瘤的诊治效率。（3）在ISIC-2017数据集和PH2数据集上进行了一系列实验,以验证本文提出模型的有效性。本文模型在ISIC2017和PH2数据集分别实现了87.55%和93.01%的Dice系数以及79.06%和87.52%的Jaccard系数,这离不开它使用的高效特征融合方式和更强解码能力的解码器,消融实验小节对此进行了较好的验证。与经典分割模型FCN-8s、Attention U-Net以及之前一些相关工作的对比都表明了提出方法的有效性。