随着科技的进步,图像分割作为图像处理的关键技术之一有着至关重要的地位,本文基于卷积神经网络的方法对图像的分割技术做出针对性的研究。手动的图像分割不但浪费时间以及人力和物力,并且还会受到人类主观意识的影响,因此可以将这样的工作交给计算机来完成,但是当前的自动分割技术还不够完善,一直没有找到一个普遍使用的分割方法,并且也缺少衡量分割算法好坏的一个衡量标准。本篇论文主要研究的是医学方面的图像分割,以皮肤病的研究为例。对皮肤病进行自动分割是后续的皮肤病自动诊疗的基础工作。本文对卷积神经网络的经典算法及相关应用进行了介绍,对于一些分割算法有了初步的了解,并且使用Isic2018年的竞赛数据作为训练集,对于U-Net、U-Net++以及PSPNet三种算法分别进行了实验以miou和loss共同对模型的训练效果做出评价,其中loss为dice和jaccard联合的评价指标,分别占一半的权重。并且对三种算法进行了对比分析,经过综合的分析得出结论,U-Net++的算法分割精度要优于另外两个模型。对效果最好的U-Net++分割模型进行了创新,进行了两处改进。其中一个改进之处是在U-Net++的decoder结构中加入ASPP模块,而另一个就是引入了sc SE注意力机制。U-net++算法的改进相较于原来的U-net++的算法分割的精度有略微的提升。通过使用Isic2018的皮肤病数据进行训练,对算法做出评价,根据两个评价指标综合考虑可以得出,改变后的算法结果是好于原来的方法的。并且通过四种模型的对比分析我们可以得出,我们对于算法的改变是有效果的。应用改进后的U-net++算法,设计并实现了图像分割的模块,针对皮肤病的图片来进行分割。模块主要实现了启动程序代码,通过调用改进后的算法对图片进行分割,将分割后的图片保存在指定文件夹。