黑色素瘤(Melanoma)是致死率最高的皮肤癌症之一，每年的患者数目不断增加，特别是更容易发生在青少年期间。幸运的是早期发现并且治疗的话，能够治愈大部分患者。研究皮肤镜图像中的自动黑色素瘤分类能够帮助医生提高诊断效率和准确性，减少患者的死亡率。随着卷积神经网络的应用，深度学习模型较传统方法占据了巨大的优势并给皮肤病变自动分类任务带来了巨大的突破。但由于成像方法和临床病理的多样性导致的皮肤镜像图像中皮肤病变类间的相似性和类内的差异性，原图像分辨率过大不能充分利用原图信息，数据集图像前景背景不平衡等问题，自动皮肤病变分类仍然存在挑战。
　　因此，对于常见的皮肤病变二分类任务，为了解决病变类间相似性和类内差异性问题，本文提出了一种新的基于密集连接网络，结合注意力机制和大间距损失的深度学习分类方法。该网络模型由密集块(Dense Block)、转换块(Transition Block)、注意模块(Attention Module)和大间距损失(Large margin loss)组成。对于近年新皮肤病变数据集随之而来的多分类任务，为了解决除了一直以来的类间相似性、类内差异性这个分类难点外，还包括图像前景背景不平衡以及图像分辨率过大等问题。本文提出了一种新的基于多输入和注意机制的深度卷积神经网络皮肤镜分类方法，该方法采用多输入策略和结合注意力机制来充分利用图像信息，使模型能够更集中在有鉴别表示的区域。
　　本文提出了两种新的基于密集连接网络的注意力方法来自动分类皮肤病变，分别在ISIC2017和HAM10000(ISIC2018的训练集)皮肤病变数据集上进行了二分类和多分类任务，实验结果证明了本文提出的两种方法在皮肤病变分类上的有效性。