皮肤癌是一种世界性的严重疾病,其中黑色素瘤是最致命的,并且发病人数逐年递增,若能尽早发现且进行切除治疗即可治愈。黑色素瘤最大的难点就是病变类内不相似但类间却存在极大的相似性。对于皮肤癌的检测,一般采用皮损皮肤镜图像,这是一种无创的成像技术,通过消除皮肤表面反光、放大皮损区域、增强皮损区域的色素沉着来获得高分辨率图像用于病变诊断。目前临床多采用裸眼筛查方式诊断,依赖于医生的专业知识和临床经验,不仅耗时,而且存在一定的主观性。随着技术的发展,引入客观可靠的计算机辅助诊断系统可以有效提高筛查诊断效率,对黑色素瘤的早期诊断和准确切除有着重要的意义。针对皮肤病变图像边界分割不准确以及病变图像分类中由于缺乏标记数据而导致的分类精度不高的问题,本文基于深度学习,从病变分割和识别两个方面对计算机辅助诊断方法进行深入研究和探索,主要研究内容如下:（1）为了提高皮损皮肤镜图像病变区域的分割准确率,提出了一种改进的稠密卷积网络（Dense Net-BC）皮肤损伤分割算法。首先,改变传统算法层与层之间的连接方式,通过密集连接使得所有层都能直接访问从原始输入信号到损失函数的梯度,让图像特征信息得到最大化的流动;其次,为加快模型的收敛速度,在瓶颈层和过渡层均采用小卷积核的方式,不仅可以降低模型的参数数量,提高模型的计算效率,还可以解决通道数输出数量较多的问题。将Dense Net-BC算法与VGG-16、Inception-v3和Res Net-50算法在ISIC 2018任务1皮肤病变分割数据集上进行性能比较。Dense Net-BC算法下的病变分割准确率为0.975,Threshold Jaccard值为0.835,分割准确率比Res Net-50高出0.22,比Inception-v3高出0.8,实验结果表明,Dense Net-BC算法能够有效地对皮损皮肤病变图像进行分割。（2）针对皮肤病变图像分类中缺乏标记数据而导致的分类精度不高的问题,提出了一种基于元学习的有限皮肤病变图像分类方法。首先,针对模型性能严重依赖于大规模标记数据集且数据不均衡的问题,采用同时考虑样本的信息性和代表性的双重标准来进行样本选择;其次,为了提取图像的细粒度特征,将通过贴片方式处理的高分辨率图像作为多尺度残差嵌入网络的输入;最后,将多尺度嵌入网络与基于度量学习的元学习方法相结合,通过欧几里得距离函数来度量查询集中的样本到嵌入网络中与类的重构特征之间的距离,从而实现对皮肤病变图像的分类。在HAM10000皮肤病变数据集上的实验结果表明,在有限样本的情况下,本文模型能够快速适应新任务,在5-Shot 3-Way方面得到的性能测试结果相较于MAML提升了4.16%,相较于DAML提升了1.06%,从而证明了基于元学习的多尺度嵌入网络方法在有限病变数据分类中的有效性,对临床诊断的具有指导意义。