皮肤疾病种类繁多,但许多疾病外观相似,颜色相似,尤其是色素性皮肤疾病,通常类间差异细微且类内差异大。普通人想要辨认出其不同子类的可能性不大,而依靠领域专家又速度慢且人力成本高,所以这种细粒度图像分类任务相比传统的大尺度图像分类任务更难也更值得研究。卷积神经网络模型在大尺度图像分类任务中表现优异,但在细粒度分类中的应用还需要进一步研究,需要针对特定的数据集训练特定的模型。与此同时,移动设备普及,移动端应用发展迅速,如何与深度学习技术有效结合,是一个新的尝试。本文以ISIC 2018色素性皮肤疾病数据集中的皮肤镜图像作为研究对象,开发了一款基于轻量级卷积神经网络的移动端色素性皮肤疾病分类系统。首先,对VGG-16、Inception V3、Res Net-50、Xception、Mobile Net V1、Mobile Net V2等几种经典的卷积神经网络模型进行分析,使用K折分层交叉验证模型训练评估方法,从网络模型参数量、分类准确率、敏感度和F1-score等角度进行评估,选取参数量小、准确率、精度和F1-score值等性能值也合适的轻量级卷积神经网络Mobile Net V2作为本文的皮肤疾病分类基础网络模型。其次,对皮肤疾病数据集ISIC 2018存在的数据集样本数量不足和数据集样本分布不均问题提出了改进方案。针对数据量不足的问题,使用数据增强和迁移学习两种方式进行解决,提出基于在线数据增强和迁移学习算法的卷积神经网络训练方式;针对样本分布不均问题,从数据集角度和算法角度寻找解决方式,通过实验对比不同损失函数对数据模型分类效果的影响,设计一种新的基于Focal Loss的损失函数以获得更高的分类准确率。最后,设计了基于Android系统的移动端应用程序。将训练好的Mobile Net V2网络移植到Android设备上,完成皮肤疾病分类移动终端系统设计,包括友好的人机交互界面、数据库模块、模型调用模块等。皮肤镜图像输入方式可从相册选取或实时拍照,输出结果为疾病类型最大概率值。