恶性皮肤病变具有极高的致死率,而由于皮肤病变早期病症间差异小易混淆,导致患者耽误治疗。目前对皮肤病变图像分割和分类识别的主要方法还是依赖专业医生的经验,针对病灶区域的颜色、纹理、大小、形状等特征,较为主观的进行判断,这对专业医生的依赖性较强。由于图像的多样性,医生的疲劳度和容忍度不断消耗,使得对图像的分割、识别的精确度得不到保障。传统的医学图像分割与分类方法往往针对特定的图像设计特征提取方法,导致最终得到的模型泛化能力较差,不能很好地应用到其他医学图像上。针对皮肤病变图像病症边界模糊、类别间样本不平衡等问题,本文基于深度学习和轻量化模型思想,对皮肤病变图像病症区域分割和多类别识别两个方面进行研究。本文主要研究工作如下:（1）针对皮肤病变图像病症区域分割时边界模糊、背景干扰大的问题,本文提出了一种基于八度卷积的改进U-Net分割网络。基于U-Net框架,结合八度卷积,构建高低频双通道,增加感受野的同时降低运算量。此外,提出分层残差跳连结构以弥补编码解码过程造成的空间信息损失和语义差异。实验表明,在ISIC-2018 Task 1数据集上该网络相较于U-Net网络,在分割精度上提高了5.5%。同时本文将改进前后网络在课题组特有的PCOS数据集上进行了实验,分割精度同样得到了提升,证明了改进网络的适用性。（2）在皮肤病图像多类别识别上,本文提出了基于多级特征融合的可分离卷积分类模型。首先设计了带有超参数的深度可分离卷积分类网络,利用可分离卷积降低模型参数、提高运算速度,而后利用多级特征融合思想,对各卷积层特征进行拼接融合,提高网络中特征的利用率。对于数据各类别样本分布高度不平衡问题,使用数据增强针对性地将少样本数据进行增广,缓解网络的倾向性。为了得到较优的网络结构,对超参数不同组合进行实验。实验表明,4层结构的分类网络性能最优,优于多数方法,而基于多级特征融合的改进算法相较于原网络精度提升了0.98%。