皮肤病的发病率随着空气污染的加剧而不断增加。对人类生命安全造成极大威胁。以黑色素瘤为首的恶性致死类皮肤病,如能在病情早期得到诊疗,病人的存活率会有很大提升。单凭专业医生对病人的病变区域进行诊断,已无法做到治疗所需的及时性以及便利性。将计算机辅助诊疗用于病变区域的分割,可以为医生诊断色素性皮肤病提供帮助,为后续治疗节省宝贵时间。本文对U-Net++模型进行改进,提出一种高效、准确的皮肤病变图像分割模型DAFUnet++,具体内容如下:首先,针对部分皮肤病变图像伤口边缘模糊、细碎导致的分割结果不准确的问题,应用标准卷积与扩张卷积交替使用的扩张卷积块,替换原网络的标准卷积块。将不同感受野提取到的多种特征融合,增强网络的分割精准度。其次,针对卷积网络中级联卷积与非线性激励函数的应用,导致图像特征的空间细节会在高维输出特征中丢失。使用柔性注意力机制将来自不同维度的空间信息筛选组合,输出聚焦皮损区域的重要特征信息。针对皮肤病变图像中大量存在的待分割区域像素样本数量远远小于背景像素样本数量导致的数据失衡。引入Focal-Loss函数,引导网络模型在训练过程中重点学习病变区域的像素点。最后,在原网络输出卷积层后,添加一层1×1卷积,连接多层级输出特征信息,实现多尺度特征信息融合,使改进后的网络模型学习到不同层级语义信息特征。为证明本文设计的皮肤病变分割方法性能优异性,在开源数据集ISIC挑战2017上进行了实验。实验结果表明,本文提出的DAF-Unet++模型的分割结果表现良好,准确地分割出病变区域轮廓与边缘细节,其分割结果的准确度、灵敏度在ISIC2017数据集上分别达到93.4%与85.5%。相较现有的许多优秀皮肤病变图像分割算法,具有更好的分割性能,满足医疗辅助诊断的要求。