黑色素瘤是一种对人体危害极大的癌症,在现有医疗水平条件下一旦发病通常难以治愈,因此在其早期阶段就进行治疗是十分重要的。临床上医师通常通过对黑色素瘤皮肤镜图像进行判断来排查和确诊黑色素瘤,但是早期阶段的黑色素瘤往往病症表现不够明显,光凭肉眼难以进行准确的判断,因此需要借助计算机技术来帮助医师进行更好的诊断。针对黑色素瘤皮损区域中存在的多种纹理模式,本文使用了超级像素分割、纹理特征提取、特征稀疏编码,支持向量机以及卷积神经网络等方法,解决了黑色素瘤的纹理分类问题。主要研究内容如下:1.研究和分析了黑色素瘤的纹理模式。黑色素瘤根据其皮损区域中所表现的纹理现象可以分为四种纹理模式,每一幅黑色素瘤皮肤镜图像中都可能包含其中一种或者多种纹理模式。大多数现有的黑色素瘤纹理分类算法只是给出了图像中是否存在此类纹理模式的结果,没有在图像中将纹理模式所在区域标识出来,因此本文引入超级像素的概念来标识出纹理模式具体所在的区域。2.研究了黑色素瘤皮肤镜图像的超级像素分割算法,并对不同算法的分割结果进行对比。本文使用SLICO算法对图像进行超级像素分割,该算法是对原始的SLIC算法的改进,生成的超级像素块形状规整、尺寸均匀,较为完整地保留了皮损区域中的纹理特征信息,能够有效的减小无关因素对纹理分类的影响。3.研究了超级像素纹理特征的提取和分类。本文在超级像素图像的基础上手工提取灰度共生矩阵、局部二值模式以及Gabor滤波器等纹理特征,并对特征进行稀疏编码和组稀疏编码,然后使用支持向量机不同的多分类策略对每幅超级像素图像进行分类得到其所属的纹理模式。4.研究和使用了不同的卷积神经网络结构模型对超级像素块图像进行纹理分类。本文对VGGNet、ResNet以及GoogLeNet Xception等网络模型进行了研究和分析并进行改进,最终验证和比较了不同网络模型的纹理分类效果。本文研究并提出了基于稀疏编码和组稀疏编码的黑色素瘤纹理分类算法和基于卷积神经网络的黑色素瘤纹理分类算法。经过大量实验表明,这两种算法均能够取得较好的分类效果,为黑色素瘤的早期诊断提供良好的依据。