恶性黑色素瘤是一种恶性程度极高的恶性肿瘤,其发病人数逐年上升,且具有病情发展迅速、转移速度快、易远端转移的特点,早发现、早诊断、早治疗是降低恶性黑色素瘤危害和死亡率的最好方法。然而黑色素瘤早期阶段病情隐匿,检出困难,且黑色素瘤具有类内不相似、和其他皮肤病类间相似的特点,导致具备黑色素瘤诊断能力的医师数量增长速度很慢,难以和发病人数相匹配。近年来,机器学习神经网络和数字图像处理技术的快速发展,为黑色素瘤的诊断提供了新的思路,加之移动医疗概念的提出的发展,为实现一种无创痛、简单准确、可以快速获得结果且可以大范围应用的新诊断技术提供基础。本文主要研究深度学习、集成学习和迁移学习等新方法在恶性黑色素瘤的计算机辅助诊断中的应用,主要研究内容和成果包括:1.对比和研究了当前主流的卷积神经网络,通过实验探究黑色素瘤皮肤镜图像的特性,研究黑色素瘤图像的分类效果与网络结构、网络深度的相关性,总结了黑色素瘤图像用于深度神经网络时的选型原则和标准。2.结合黑色素瘤临床诊断的先验知识、TMME算法和集成学习方法,提出了DFEC-Net模型(Depth-feature-ensemble-convolution-net深度特征集成网络模型),首先基于先验知识提取特征并构建边界、颜色、纹理特征图,再基于集成学习思想实现深度学习网络集成。实验表明,该模型能在数据集不变的情况下显著提高对恶性黑色素瘤的敏感性和准确率。3.研究了移动端和皮肤镜采集的不同分辨率多源皮肤病图像的实例迁移性、模型迁移性和特征迁移性,针对多源皮肤病图像的特征设计了一种迁移策略,能显著提升低分辨率小数据集图像的分类识别效率。为解决医学影像小数据集问题和低分辨率问题提供了新的思路。