皮肤病是我们生活中的一种常见的疾病,很容易影响到人类的身体健康。如果不及时诊断治疗皮肤病,会对患者产生很大的影响。因此,对皮肤病的准确诊断是非常重要的。然而,以往的皮肤镜医学图像都由专业的皮肤科专家进行诊断并手动分割病变区域,这个过程非常耗时并且诊断结果具有主观性。所以具有快速性和客观性的计算机辅助诊断显得尤为重要,它可以辅助医生对皮肤镜医学图像进行准确分割并提高诊断效率。如今,基于深度学习的医学图像分割方法广泛应用在病灶区的分割任务中。而现有的算法存在着分割出的图像精度不高、模糊以及网络随着深度的加深出现梯度爆炸或者梯度消失等问题。所以本文旨在研究一种能够辅助医生诊断皮肤病的有效分割方法,本文的主要工作内容如下:1、分析了基于深度学习的皮肤镜医学图像分割流程,设计了基于FCN-8s网络、U-Net网络、Seg Net网络和Res UNet++网络的皮肤镜医学图像分割实验。在FCN-8s网络和Seg Net网络实验中,使用了迁移学习方法,将VGG预训练模型作为编码器。在U-Net网络实验中,采用和原网络不一样的Same卷积,上采样使用转置卷积。通过实验分析对比四种网络的分割效果和存在的不足。2、通过现有算法实验的对比分析,借鉴Res UNet++的网络架构,提出了一种基于改进U-Net网络的皮肤镜医学图像分割算法,进行了四个方面的改进:（1）在编码阶段引入了残差连接,把卷积块替换成残差块,有效缓解了梯度消失问题。（2）同样在编码阶段引入了一种能同时关注通道和空间的轻量级CBAM注意力模块,提升了网络对病灶区域的关注度。（3）在编解码器的连接处和最后的输出层加入了密集空洞空间金字塔池化模块来获取丰富的多尺度信息,并对该模块中扩张卷积的个数和扩张率进行了修改。（4）设计了一种跳跃连接,将不同层级解码器的输出进行特征融合,实现不同尺寸特征图不同语义的融合。3、本文采用来源于国际皮肤图像官网ISIC的数据集HAM10000,对改进的网络进行了对比实验和消融实验。实验结果表明,该网络模型在准确率、戴斯相似性系数、平均交并比和精确率系数上相较于其他网络得到了提升,取得具有竞争力的结果。