深度学习（DL,Deep Learning）技术已悄然进入人类各行各业之中,被研究人员广泛用于机器翻译、物体检测和自动汽车驾驶等各种领域,而深度卷积神经网络是其主流的网络结构,因它强大的特征提取能力,使其在图像识别与目标检测领域中均获得了令世人瞩目的研究成果。现如今,随着对生活健康的思想观念转变,人们越发注重皮肤健康,尤其是面部皮肤质量在个人形象中占据极其重要地位,而且面部皮肤质人体皮肤中最为敏感的部分。因此,针对皮肤质量问题,本文主要研究对象为面部皮,利用深度学习技术,准确检测皮肤中斑点、丘疹和色素痣三种皮肤问题,帮助人们对皮肤健康做出判断,具有一定研究价值和意义。本文将深度学习技术应用于皮肤质量判断问题,提出了基于深度网络模型皮肤质量判断算法。在深度网络结构的基础上构建了基于改进的YOLOv3深度卷积神经网络,对目标区域中常见皮肤问题进行检测与识别,并标出异常区域具体位置及类别名称,本文主要研究内容如下:1.数据准备和预处理。数据准确性对深度学习方法至关重要,因此首先要了解并分析已有数据集特点,并对皮肤上异常点进行准确分类和标注;2.目标区域选择。目标在图像中的相对尺寸大小,影响深度网络模型性能。在基础骨干网络中,对特征进行下采样的处理,将导致相对较小的目标在特征图上所含有的信息较少,网络模型学习效果不佳,最终降低模型性能。因此,本文提出了基于改进的YOLOv3 Tiny深度卷积神经网络,快速提取出人脸区域,增大斑点、丘疹和色素痣区域在输入图像中相对尺寸,减少背景影响,增加最终的肤质检测精度;3.构建高性能损失函数并提出了基于深度网络模型的肤质检测算法。损失函数反映出模型预测值于实际值之间的差距,是目标检测算法中最重要的组成部分之一。在分析模型预测框与目标框之间位置关系的基础上,本文提出了Area IoU（AIoU）损失函数,并将其应用于YOLOv3目标检测算法,进一步提出肤质检测算法,完成对目标区域中皮肤异常点的检测,直观的向人们展示出当前皮肤健康状况。