黑色素瘤是皮肤病变中死亡率最高的恶性肿瘤,医生在诊断该病灶前需要先用肉眼对皮肤镜图像中的病灶进行标注分割,分割结果的质量直接影响最终的诊断结果。这种人工标注的方式不仅具有主观性,而且耗时耗力。随着计算机辅助诊断系统的提出,皮肤镜图像自动化分割大大减少了医生的工作量。然而,皮肤镜图像中存在的伪影、多尺度、形状不规则和对比度低等挑战性问题,导致了现有分割算法依然存在局限性。本文中,受到经典模型U-Net的启发,针对现有算法中的不足设计了优化方案,提出了两种皮肤镜图像分割模型,主要工作如下:第一,本文提出了一种基于注意力机制的皮肤镜图像分割模型,针对皮肤病灶多尺度和形状不规则的问题,使用了可变形卷积块;针对皮肤镜图像中伪影和对比度低的问题,在模型跳跃连接部分设计了注意力模块,通过赋予特征不同的权重系数来突出重要特征,从而去除特征图中的噪声,并强化低对比度图中难以识别的重要信息如边界特征;为了进一步提升模型的整体分割性能,在底部设计了密集连接块以增强特征提取能力,在解码器部分设计了辅助损失函数分支以提升模型的训练效率。第二,本文提出了一种基于多任务学习的皮肤镜图像分割模型,主要针对皮肤镜图像中边界分割准确性差的问题,设计了病灶区域分割和病灶边界分割两个子任务。两个子任务共享特征提取器,并且拥有互相独立的分类分支,分类分支之间设计了信息共享块,通过向病灶区域分割分支中补充边界信息来提高分割结果中边界的准确性。此外,针对多任务学习模型普遍存在的训练难问题,使用了动态权重的方式确定两个子任务损失在总损失中所占的权重系数,确保模型中两个子任务都能同时收敛。最后,在公开的皮肤镜图像数据集上对所提出的两种分割模型进行了评估,分割结果验证了模型在解决皮肤病灶多尺度、不规则形状和伪影问题上的有效性,同时提高了低对比度皮肤镜图像中病灶边界的分割精度,优于现有的大部分分割模型,对临床应用与研究具有较为重要的参考价值。