皮肤癌已成为患病率较高的癌症之一,全球每年的患病人数在不断增长。黑色素瘤是一种常见的皮肤癌,且死亡率较高。治疗黑色素瘤最有效的方法就是早发现早治疗。当前主要靠皮肤科医生人工观察皮肤镜图像来诊断黑色素瘤,又因为黑色素瘤的形状、颜色、以及纹理种类较多,且恶性黑色素瘤和良性黑色素瘤的外观很相似,所以传统的人工诊断准确率较低,且费时费力,给黑色素瘤的诊断带来了阻碍。随着深度学习技术的逐渐成熟,卷积神经网络模型给皮肤镜图像的检测带来了历史性的突破,显著提高了诊断准确率和工作效率。为了解决黑色素瘤的类内差异性、类间相似性、数据集不平衡等问题以及提高检测系统的准确率,本文提出基于集成卷积神经网络的皮肤镜图像检测研究,其主要的内容如下:首先,研究了一种基于注意力残差U-Net（Attention Residual Block-UNet,ARB-UNet）皮肤镜图像分割方法。该方法引入了卷积块注意力机制（Convolutional Block Attention Module,CBAM）,将CBAM模块应用到原U-Net模型的“跳过连接”中和扩张残差网络（Dilated Residual Networks,DRB）模块中,以得到新的注意力残差机制（Attention Residual Bottleneck,ARB）,同时选用Focal Tversky Loss作为该模型的损失函数,通过实验验证了ARB-UNet能很好提高图像的分割性能。其次,针对皮肤镜图像的纹理特征和颜色特征展开了研究。利用LBP和SIFT算法描述皮肤镜图像精确纹理特征,同时采用HSV和RGB算法描述皮肤镜图像的颜色特征,并进行了对比实验,表明基于SIFT纹理特征的分类模型具有更优性能。最后,探讨了一种基于集成微调卷积神经网络的皮肤镜图像分类方法。通过重构Xception、Res Net50和Vgg-16这三个预训练模型的全连接层,其中引入了Dropout层和L2正则化算法,以此提高网络模型的泛化能力,并在ISIC2016皮肤数据集上对预训练模型进行迁移学习,以适应数据量小且不均衡的数据集,接着对模型的输出通过加权融合方法形成最终的集成模型,同时经实验证明了所提算法的有效性和可行性。综上,本课题将深度学习与图像医疗领域相结合,探索基于集成卷积神经网络的皮肤镜图像分割、特征提取以及识别技术,为机器学习算法在皮肤癌医学诊断领域中的应用奠定必要的理论和实验基础。