近些年,利用计算机辅助诊断（CAD）技术进行医学图像的处理与分析得到了广泛的关注。现代深度学习技术日新月异,将卷积神经网络（CNN）用于医学图像处理也成为CAD领域的热门研究方向。由于CNN具有端到端地从图像数据中提取特征的特点,因此在计算机视觉中得到广泛的使用,如语义分割、图像分类等,渐渐成为了深度学习中最具影响力的方法之一,如今,它在医学图像分析的应用也在逐渐增多,渐渐成为了医学图像分析的主流方法。皮肤癌是当今一种非常普遍的疾病,所有年龄段的人都可能会发病。因其具有较为繁琐的诊断过程,往往皮肤科医生先要通过观察来进行判断,然后使用显微镜来检查活体组织切片,而且医生鉴定皮肤癌的可重复性比较差。同时,由于多种原因降低了诊断准确性,例如,不规则和模糊的病灶边界,形状,颜色和大小变化,病灶与周围皮肤之间的对比度低以及各种伪影。因此设计出更加精准的皮肤癌分类算法受到了许多研究人员的关注。本文对皮肤癌疾病和CNN在细粒度图像分类中的应用进行了研究,设计了一种基于注意力机制的皮肤癌分类算法。本文分别在空间域和通道域上加入注意力模块,空间域注意力更关注位置信息,而通道域注意力更关注内容。这种混合注意力模块可以有效地强化或压抑中间特征的信息。本文在混合注意力模块的基础上,加入了深度连接注意力结构（DCANet）,它可以从前一个注意力模块中收集信息并传递给下一个注意力模块,使注意力模块之间相互协作,在不改变CNN模型内部结构的情况下,增强了CNN模型中的注意力模块,从而提高注意力模块的学习能力。本文还使用了一种新的池化方法SoftPool,与其他池化方法,SoftPool在下采样的激活图中保留了更多信息。本文选择ResNet作为基准网络,将混合注意力机制、深度连接注意力结构（DCANet）引入到ResNet中,并将原始ResNet的conv2中的最大池化替换为SoftPool方法,构建了一套完整的皮肤癌分类网络模型。本文实验数据选择ISIC-2019挑战的数据集。以准确率、F1值、ROC曲线以及AUC值作为评价标准,并使用Grad-CAM技术进行可视化分析,对皮肤癌分类算法的性能进行评估。本文针对医学图像领域中的皮肤癌分类问题,设计了一种基于CNN的方法。由于皮肤癌类间相似度高、类内差异性大,而且有些种类的皮肤癌的病灶区域和健康区域的区分度较低,边界不明显,甚至会有毛发遮挡住病灶区域的情况。为了解决这些问题,使CNN更加关注于对识别有帮助的病灶区域,本文设计了注意力模块对网络进行了改进,并引入SoftPool方法对网络进行优化。通过实验对比分析,表明了本文使用的混合注意力机制、深度连接注意力结构（DCANet）和SoftPool方法均对网络精度的提升有帮助。本文最终的模型在测试数据上的准确率为91.2%、F1值为0.9126,进而证明了本文方法的有效性。