癌症如今已成为人类健康最主要的“杀手”之一,而皮肤癌是癌症中常见的一种,对皮肤癌疾病进行及早筛查,可以大大提高患者的生存率和治愈率。皮肤镜检查技术可以生成皮肤镜图像,显示肉眼不可见的皮肤形态特点,作为一种代表性的无创伤式皮肤辅助诊断方法,是目前诊断皮肤癌疾病的核心工具。通过肉眼识别皮肤镜图像,不仅费时费力,而且极易受到医生个人主观经验的影响,造成误诊和漏诊。因此,利用计算机技术辅助医生对皮肤镜图像进行识别、分类,对辅助诊断具有非常重要的现实意义。目前,已经有诸多学者利用深度学习技术为皮肤癌图像分类任务提供解决方案,但依然存在样本不足、数据不均衡、分类准确率不高等问题。为此,本文使用生成对抗网络进行数据增强,再利用改进型卷积神经网络对皮肤癌图像进行分类,取得了良好效果。论文要点如下:（1）针对皮肤癌图像样本少且数据不平衡的问题,本文采用生成对抗网络对数据不充足的类别进行扩充。研究分析了三种生成对抗网络DCGAN、WGAN、WGAN-GP以及Style GAN模型的原理和特点,之后分别使用它们进行数据生成实验,对三者的生成效果进行视觉评价和定量评估。实验表明Style GAN模型对皮肤癌图像的生成效果在视觉评价上好于DCGAN模型、WGAN模型和WGAN-GP模型,在定量评估方面,Style GAN模型的生成结果取得最高的Inception分数（IS）,为3.5389,且Frechet Inception距离（FID）最小,仅为73.313,表明其所生成皮肤癌图像的质量和多样性最佳,且最接近真实图像,数据增强效果较好。（2）针对皮肤癌图像分类准确率低的问题,本文提出了Conv Ne Xt-E模型,即在原始Conv Ne Xt模型中引入ECA注意力模块。首先使用限制对比度自适应直方图均衡化（CLAHE）算法对数据集进行预处理,接着分别采用Inception-v3、Res Net-50、Conv Ne Xt以及Conv Ne Xt-E模型四种卷积网络模型对数据集进行分类。通过实验可得Conv Ne Xt-E模型在参数量保持小幅度上涨的情况下获得在测试集上96.37%的准确率,优于其他模型。最后,将Conv Ne Xt-E模型应用于未经数据增强的原始数据集上,得到的分类准确率仅为75.08%,远低于使用Style GAN算法增强后数据集的分类准确率,从而进一步印证了数据增强工作的有效性。