黑色素瘤是一种严重威胁人类生命健康的癌症。其发病率和死亡率近年来呈逐渐增长趋势。目前的医疗水平针对转移后的黑色素瘤还缺乏有效的治疗手段。对黑色素瘤最好的治疗方式,仍是通过早期诊断并局部手术进行根除。通常,早期诊断主要依靠医生肉眼观察和组织病理学活检。然而组织病理学活检会对患者造成不必要的创伤,且肉眼观察存在极强的主观性,因此,基于皮肤镜的黑色素瘤识别算法研究是医学界的迫切需要。针对具有形态各异、颜色多变、大小不一以及噪声多样特点的皮肤镜图像处理,本文主要在图像噪声去除,皮损区域分割,皮损特征提取以及其识别分类算法上进行了研究和探索,论文主要内容有:1.针对噪声多样的皮肤镜图像,本文研究了皮肤镜图像的噪声去除算法与其分割算法。噪声去除包括有黑框、气泡等人为噪音以及毛发等固有噪音。提出的一套算法不仅能够很好的消除噪音,而且没有引入大量计算。分割算法提出了基于马尔科夫随机场融合框架的融合分割算法,提高了单个分割算法的鲁棒性;2.研究并探索了皮肤镜图像特征提取算法。基于特征设计方法提取皮肤镜图像低级特征,主要包括有形状,颜色以及纹理特征;基于特征学习方法提取中高级特征。对于特征学习方法提出了基于SIFT算子的稀疏性编码表示特征,针对皮损区域结构特点,改进池化算法,提出了环形等面积池化算法;3.研究了皮肤镜图像识别分类算法。针对提取得到的低级特征以及中高级特征,分别进行分类器设计。为更合理有效利用两类特征,对其进行分类前融合以及分类后结果融合即协同训练方法。最后利用多分类器投票机制得到最终的识别分类结果;4.基于特异性、敏感性和准确率评价准则以及受试者操作曲线(ROC)对两种特征学习得到的分类器以及融合分类器结果进行了评价。实验结果显示,融合分类器得到的结果相比单一特征识别结果的特异性、敏感性以及准确率都有所提高,同时交叉验证结果表明,融合分类器的鲁棒性也有一定提高。