随着计算机技术的发展,医疗行业开始使用计算机辅助诊断技术,许多简单的病症可以通过计算机进行辅助诊断。其中皮肤病的早期检测主要依赖于皮肤镜图像的分析,因此,中大型医疗机构对早期皮肤病的智能化识别需求日益增加。然而,皮肤病图像受采集环境、病人肤色、病症阶段等影响,同类型皮肤病也会存在较大的差异,导致分类准确率较低。而且目前对皮损分类的研究主要依赖神经网络进行特征提取,难以准确提取到特定的对分类有重要贡献的特征。本文针对上述皮损分类中的技术瓶颈开展了研究和探索,主要研究内容包括:（1）针对图像分割任务运算量大,一般医疗机构计算机资源难以满足运算需求的问题,本文基于经典的U-Net网络,提出了改进型U-Net网络,通过优化网络模型的结构层次,设计了一个轻量化的深度学习模型。该模型可以将参数量从原网络的千万级降低至百万级的同时,使模型分割准确度与原网络基本持平。最后通过本文提出的多尺度微调方法,在不增加网络复杂度的前提下,进一步提高皮损分割的准确性。最终Jacarrd index指标达到0.724,Dice coefficient指标达到0.814,可以满足预处理需要。（2）现阶段图像分类算法主要依赖神经网络进行特征提取,而纹理特征在皮损分类任务中起着十分重要的作用。因此本文基于Dense Net网络模型,结合LBP特征,研究深度多元特征融合方法。本文模型置信度融合方法通过对LBP图谱分类的置信度与三通道RGB图像分类的置信度进行加权融合,使模型分类准确率更高,准确率最高达到98.0%;另外,模型特征融合方法把LBP特征与深度学习特征在特征层进行融合,同样使得模型准确率的有所提高,准确率达97.6%。（3）最后我们应用本文研究成果,设计了一套物联网皮肤镜系统。经市场调研,目前市面上缺乏可进行计算机辅助诊断且具有良好便携性的皮肤镜产品,本文系统具有一定的实际应用价值。本文系统包含了手持皮肤镜终端、皮肤镜检测服务器、在线专家系统、用户应用模块四个部分,应用了本文提出的基于深度多元特征融合的皮损分类方法,并通过物联网和SAAS技术实现各个模块的联动,实现了完整的皮肤病辅助诊断流程。