近年来,采用计算机辅助诊断技术对医学相关图像进行分析和处理已得到越来越多的应用,尤其是对皮肤疾病相关医学图像的辅助诊断。皮肤疾病的诊断过程复杂,并且准确的诊断需要医生多年的经验积累,因此更加准确有效的图像辅助诊断方法对于皮肤病的及时诊治有很大帮助。传统的皮肤疾病辅助诊断技术需要人工设计提取特征,依靠这些特征进行诊断往往很难达到确诊要求,采用深度卷积神经网络的方式则可以减少人工干预,让识别模型自主学习特征,提高识别准确率。本文旨在研究基于深度学习的皮肤疾病图像分类和预测方法,并在所选数据集上对分类模型作一定程度的优化,提高模型对皮肤疾病的分类能力。主要工作概括如下:第一章主要分析介绍了采用深度学习的方式辅助诊断皮肤疾病的背景和意义,并在章节最后给出了本论文的主要内容以及结构安排。第二章分析了采用深度学习来识别皮肤疾病图像的框架,并建立了两个皮肤疾病数据集,分别是皮肤镜图像数据集和临床图像数据集,介绍了对应的预处理方法,包括图像去噪和图像增强两种方式。第三章主要分析了卷积神经网络的基本结构以及相关训练基础,并选定了相关的深度学习框架,最后在皮肤镜图像数据集上对比了不同卷积神经网络模型的识别效果,初步选定基础模型。第四章主要介绍了对上一章所选模型的改进,包括激活函数、池化方式、网络结构的改进,实验证明,本文所采用的改进方法确实在数据集上有更好的识别效果。第五章基于已训练完成的皮肤疾病识别模型建立了可视化界面识别系统,然后与医学相关人员进行了对比实验,证明了采用深度学习进行辅助诊断的研究意义。第六章对本文的研究进行了概括性的总结并给出对应结论,同时分析探讨了研究中存在的许多问题,给出意见和建议。