近年在图像分割领域中,深度学习技术逐渐受到越来越多的关注。与传统分割方法相比,它可以提取到传统方法无法感知的深层语义特征,使最终分割效果具有更高的精度和泛化性。因此,该技术被广泛应用于医疗图像处理领域,其中皮肤病变检测一直是学者关注的热点。在皮肤癌症检测的过程中,皮肤病变区域的分割一直是至关重要且具有挑战性的步骤。迄今为止,学术界已存在了一些应用于皮肤病变区域分割的深度学习分割网络,并取得了一定的成就,但实现准确清晰的分割仍然是十分困难的。原图像可能存在着病变区域边界不清晰、大小形状各异的问题,并且在某些图像中可能会出现诸如头发、纹身、痣等干扰物。此外,皮肤镜数据集图像数量有限的问题也会影响最终分割的结果。目前基于深度学习的分割方法一般仅使用跳跃连接结合编码器与对应解码器的特征图,恢复特征图的细节信息,随后利用简单的卷积方式获得最终的特征图。这种方式虽然易于实现,但是特征图无法从跳跃连接中完全保存编码阶段的特征信息,且特征图在上采样过程中会损失语义特征信息,导致分割结果泛化性较差,通过简单卷积方式获得的特征图也难以建立特征内部之间的联系,影响分割质量。针对上述问题,本文提出了一种基于编码器-解码器架构的协同型注意力结构模型。通过建立多种基于特征融合技术、注意力机制技术以及多尺度特征提取技术的模块,共同协助网络实现更加精细的分割,本文的主要工作如下:（1）针对皮肤病变区域形态各异,病变区域的边界难以辨别,干扰物存在以及目前分割网络存在的问题,本研究提出了一种新的皮肤病变分割模型来提高网络的表示能力。首先,本文针对皮肤镜病灶区域的形状特点,使用了一种改进后的新式特征提取网络MSCAN作为编码器。其次,为了在上采样和跳跃连接过程中保证编解码特征图特征融合和重要特征感知的高效性,本文使用了两种思路不同,可以协同工作的注意力模块。第一种为密集注意力模块,可用于从包括编码阶段和多级解码阶段在内的外部特征图中提取更多的特征信息,提升模型对重要特征的捕捉能力。第二种为重组型混合注意力模块,其中包括改进后的通道注意力和空间注意力模块,以特征图内部为基础,分别建立特征图的空间和通道关系,实现对细节特征的捕捉,进一步提升特征图融合效率。（2）针对数据集图片数量有限的问题,本文使用了多种数据增强技术以扩充数据集,帮助模型尽可能提取有用特征。针对病变区域大小各异导致的区域分配不均的问题,本文使用了一种加权损失函数帮助模型实现更好地训练,并通过实验确定最佳的加权系数。（3）为了验证模型的可靠性以及实用性,本文在ISIC-2017数据集以及PH2数据集上进行了一系列实验。首先,为了证明提出模块的有效性,文中将所提出的模型与部分皮肤病灶使用的分割模型进行对比,并展示了一系列的消融实验。最后,本文将所提出的模型与当前经典的分割网络进行精度和参数计算量上的全面对比,以证明本文提出的网络能够在不引入过多参数和计算量的同时,提高分割的准确率,确定该模型在计算机辅助诊断系统中的实用性。