全世界皮肤病变发病率逐年增长,对人类生命健康造成巨大威胁,以黑色素瘤为例等皮肤疾病如果能尽早的得到诊断和治疗,可以很大程度上提高患者的存活率。然而,仅通过临床医生进行人工诊断无法满足大众对诊病及时性和便利性的要求。应用计算机辅助诊断方法对皮肤病变边界的准确分割对于辅助医生诊断治疗具有重要意义。大多数现有的皮肤病变分割模型由于获取感受野小、缺乏全局上下文联系,造成特征信息提取不充分、无法精准分割皮肤病变的前景与背景等问题。针对以上问题,本文提出了两种基于卷积神经网络的模型,论文的主要研究内容概括如下:1.提出一种端对端的多尺度注意力卷积网络模型CSARM-CNN（Channel&Spatial Attention Residual Module）,对皮肤镜图像中的病变区域进行精准分割。其中设计了一种新颖的注意力学习模块CSARM,该模块同时嵌入卷积模块与注意力模块,进一步改善模型特征表示。CSARM-CNN模型以U-net作为基础结构,利用CSARM块和卷积操作对图片进行提取特征。在编码器路径中构建图像金字塔以馈送多尺度输入,解码器路径中生成与多尺度输入图像相对应的局部预测图,同时利用多输出交叉熵损失函数促进模型的训练。2.设计了一种端对端的深度卷积生成对抗网络模型ACG-Net（Attention Convolution Generative-Adversarial Network）,进一步实现对皮肤病变图像的准确分割。结合了生成对抗网络的思想,模型由生成器（G）和判别器（D）两个网络结构组成,G和D通过对抗训练进行优化。将CSARM-CNN作为模型的生成器,判别器则是一个卷积与全局卷积交替的网络模型。将皮肤病变图像与标准分割结果图像和生成图像分别进行拼接后作为输入数据,最后输出为皮肤病变图像的分割标签图的概率,从而优化整个网络结构中的参数。3.在ISIC-2017皮肤病变标准数据集上进行大量的消融实验以及统计假设检验验证了CSARM块在皮肤病变分割任务中具有优异的特征信息提取能力。并且将CSARM-CNN与其他最新皮肤病变图像分割算法的性能相比,实验结果表明所提出模型在准确性与特异性方面有明显提升。为了验证模型的鲁棒性,在另一个公开可用的数据集PH2上对模型进行了测试,同样获得了具有竞争力的结果。最后,为了验证ACG-Net结合生成对抗网络能有效的提高了模型的分割性能,对CSARM-CNN与ACG-Net进行了对比实验,通过准确率、Dice系数等六项评价指标对模型进行评估,结果表明,ACG-Net除特异性外剩下五项指标均高于CSARM-CNN,达到具有竞争力的实验结果。