近些年来皮肤癌的患病人数不断攀升,在皮肤癌中黑色素瘤的占比较高,而且黑色素瘤的死亡率十分高。如果能够在黑色素瘤早期阶段将其诊断出来,患者的存活率将大大提高。但是由于痣和黑色素瘤具有极其相似的外观和症状,医生仅凭观察很难对黑色素瘤进行诊断。针对这个问题,本文旨在设计一种辅助诊断方法,该方法可以检测和识别皮肤镜图像中的黑色素瘤、痣和基底细胞癌,并在皮肤癌的识别阶段获得更高的精度。本文主要工作如下:1.由于皮肤镜对皮肤癌区域进行了放大之后会将一些影响皮肤科医生观察的因素进行放大,比如毛发、血管等。并且皮肤镜图像在采集的过程中也很容易产生一些噪声。针对这些问题,本文设计了一种皮肤镜图像预处理方法,该方法由毛发去除算法、高斯滤波器和维纳滤波器组成。通过实验结果可以看到本文设计的预处理方法可以有效减小噪声对皮损区域的分割结果和特征提取受到的影响,并且可以提升分类结果的准确率。2.由于当前的计算机辅助诊断方法不能有效地在黑色素瘤早期阶段对其进行诊断,因此在黑色素瘤早期阶段寻找更有代表性的特征仍然是一项具有挑战性的任务。针对这个问题,本文设计了一个特征组合,其包含了纹理特征和颜色特征,并对提取的特征进行了改进,最后引入一个特征融合算法对特征进行了处理。本文首先通过使用序列浮动正向选择(Sequential Floating Forward Selection,SFFS)算法从常见的颜色特征、边界特征和纹理特征中选取了一个颜色特征和纹理特征的组合,并通过结合皮损区域的对称性在选择的颜色特征和纹理特征中增加了对称性信息,然后使用多数据集判别相关分析(Multiset Discriminant Correlation Analysis,MDCA)对选取的特征进行了融合,从而提升计算机辅助系统的诊断性能。