恶性黑色素瘤的致死率在所有皮肤性疾病中排在首位。在过去的几十年里发病率一直在迅速增长。由于目前对于晚期皮肤黑色素瘤仍然无法治愈,因而早期发现是降低死亡率的重要一步。皮肤镜通常用于黑色素瘤的诊断,它可以捕捉皮损区域的详细特征。但是使用皮肤镜进行诊断与皮肤科医生的临床经验密不可分,存在着很大的主观性。因此,为了提高黑色素瘤诊断的准确率,研究一种自动或半自动检测黑色素瘤的方法就变得极为必要了。色素性皮损分割作为自动诊断中非常关键的一环,对黑色素瘤的早期诊治非常重要。本论文的主要研究内容为基于随机森林算法的色素性皮损分割。围绕这个主要内容,主要做了以下工作:(1)基于随机森林和小波纹理的色素性皮损分割:将数据集分为训练集和测试集两部分,对于预处理之后的皮肤镜图像首先使用统计区域融合算法进行粗分割,然后分区域提取颜色特征,使用Gabor小波提取纹理特征,最后所提取到的特征组成特征向量输入到随机森林中来训练随机森林。使用测试集对训练好的随机森林模型进行测试,此外,为了进一步测试模型的性能,使用5折交叉验证来估计模型的泛化误差。(2)基于随机森林和全卷积神经网络(FCN)的色素性皮损分割:首先使用随机森林算法对数据集进行分割,得到一个分割结果;然后使用全卷积神经网络对数据集进行分割得到另外一个分割结果;最后将两种结果按像素取两者的平均值进行融合,得到最终的分割结果。此外,还对图像进行预处理和对分割结果进行后处理:去除图像中的一些毛发、黑色边框等。分割之后的图像存在着边缘参差不齐、孔洞以及孤岛的现象,需要进行后处理的操作,包括孔洞填充、孤岛移除以及边缘平滑。最后计算性能指标如敏感度、特异度以及准确率等来评价模型的性能。实验结果表明随机森林与小波纹理相结合的方法能够较为准确地分割出皮损区,并且敏感度在90%以上,特异度和准确率高达95%;随机森林和FCN相结合能够将单独使用随机森林分割时的各个指标都提高一些,特别是能够将敏感度提高20%左右。