黑色素瘤是一种转移快、危害性较大的恶性肿瘤，多发生于皮肤。近几十年来，黑色素瘤的发病率和死亡率呈快速增长的趋势。因此，黑色素瘤的早期检测对提高人们的健康水平至关重要。临床上，皮肤科医生根据黑色素瘤的表面特性和生长特性总结出了一种用于其早期鉴别的法则——ABCD-rule：A不对称性（轮廓、颜色、纹理）；B轮廓的不规则性；C颜色的多样性；D直径。计算机辅助诊断（CAD）技术帮助医生区分良恶性肿瘤，提高了诊断准确率。本文基于皮肤黑色素瘤临床表现出的颜色不对称性，利用图像处理技术和模式识别技术对皮肤肿瘤进行表面颜色不对称性分析、特征提取以及分类研究，为皮肤黑色素瘤的计算机辅助诊断提供技术支持。本文的主要工作和贡献如下：（1）针对肿瘤灰度表面的不对称性分析，提出了一种灰度表面不对称性的修正虚拟轮廓变换模型，构建了一种新的肿瘤灰度表面不对称性的特征簇：虚拟轮廓不规则性和不对称性描述子。试验表明基于修正变换模型的虚拟轮廓能有效增强肿瘤表面不对称性的表达。（2）针对RGB空间中肿瘤表面颜色不对称性分析，提出了将PCA降维和修正虚拟轮廓变换模型相结合的方法。首先对RGB肿瘤彩色图像进行PCA降维；其次，将每个主分量依据修正虚拟轮廓变换模型转化为虚拟轮廓；最后，通过度量虚拟轮廓关于颜色不对称轴的几何不对称性来反映肿瘤表面的颜色不对称性。（3）针对RGB空间中肿瘤表面颜色不对称性分析，本文还提出了在PCA主分量空间利用颜色分割和小波分解度量肿瘤表面颜色不对称性的方法。文中提出了一种新的肿瘤表面颜色无监督自动分割方法，并提出基于小波分解度量每类颜色的不对称性。试验表明：颜色分割细化了肿瘤表面颜色不对称性的分析，同时还涵盖了颜色多样性的信息；小波分解度量颜色不对称性与基于镜像对称的像素点之间比较的方法相比减少了计算量，同时近似分量和细节分量的综合使得不对称性分析更加准确。（4）在皮肤肿瘤分类时，设计了一种小样本分类器：从训练集中随机选取一定数量的良恶性样本，本文从随机选取的多种组合中选择15个组合作为小样本训练集。同时还提出两种方法评估小样本分类器的分类性能：15个小样本SVM分类器的分类结果取平均；15个小样本SVM分类器的ROC曲线取平均。小样本分类器的设计解决了肿瘤样本数量较少的问题，可以有效提高分类器的性能。