手足口病是一种多发于儿童手足、口腔等部位的高隐性传染率疾病,且具有发生并发症甚至引发死亡的风险,早期的筛查和检测是降低手足口病感染率和死亡率的有效手段。当前国内外基于人工智能实现对手足口病(HFMD)检测识别,其研究多集中于用机器学习算法对手足口病电子病历(EMR)中的临床病例数据如病毒类型、峰值温度等进行分类,以此来识别手足口病。近年来,越来越多的研究人员将深度学习应用到了医学图像目标识别和检测上,且常常在大量诊断任务中达到了医生级别的准确率。如果能够通过手部、口腔等部位的皮肤病例特征,对手足口病进行对早期的筛查和检测,就能够及时的发现病情,防止病情进一步发展和传播。基于此,本论文提出了一种基于机器视觉和深度学习实现手足口病辅助检测的方法。主要研究内容包括:(1)通过参照手足口病的临床诊断标准,提出用视觉算法对图像中的手足口病皮肤病例特征进行检测,从而实现对手足口病的辅助检测和筛查。以及根据手足口病的不同症状特征建立数据集,并通过数据增强技术对数据样本进行扩充。(2)分别以单阶段检测算法和双阶段检测算法进行实验测试,并根据不同算法的检测结果,分析了单阶段检测算法应用于本论文研究所存在的不足,以及双阶段检测算法应用于本论文检测任务的可行性。(3)通过优化基础特征提取网络,以及增加CBAM注意力机制的方法,来对原检测算法进行改进。实验结果表明,本论文改进后的检测算法对手足口病皮肤病例特征具有很好的检测效果,并比原检测算法提高了约3%的准确率。(4)针对原检测算法误检过高的问题,通过增加判断逻辑对非真实目标进行排除的方法,来改进原检测机制。包括基于YCrCb+Otsu肤色检测来对非肤色区域的非真实目标进行排除,以及基于HOG+SVM口腔检测和ERT关键点定位来对非口腔区域的非真实目标进行排除。实验结果表明,本论文改进检测机制后能有效的降低原检测算法的误检率。