由于黑色素瘤等恶性皮肤病具有恶化程度快、致死率高、早期筛查治愈率高的特点,因此皮肤病早期筛查诊断的需求日益增长。考虑到医疗资源紧张与人工筛查准确率低的问题,而计算机辅助诊断可显著提升诊断的准确率与效率,因此基于人工智能的皮肤病变分割与识别成为智慧医疗领域的一大研究焦点。本文基于深度残差网络开展高效且高准确率的皮肤病变分割与识别研究,主要贡献包括以下三点:1)基于深度残差金字塔的皮肤病变分割与特征提取机制:由于皮肤病的类内差异大、类间差异小及样本分布不均衡等问题,导致恶性皮肤病智能诊断的误诊率极高,因此本文提出一种基于深度残差金字塔的皮肤病变分割与特征提取机制。具体地,对比主流的单一尺度网络输出,为了提高特征提取和训练结果的准确度,构建了一个深度残差金字塔多尺度编码网络,将瓶颈层划分为多尺度编码网络,通过提取多尺度特征,实现网络分割与提取结果的输出。进一步,为了解决样本不均衡问题,设计了基于焦点损失的损失梯度监督机制,即通过焦点损失增加模型对难分样本的关注度,同时通过梯度协调机制减小难分样本和离群点对模型整体准确率的影响,从而达到减小类别不平衡对诊断结果的影响。实验结果表明,所提机制的分割与提取与现有相关方案相比,Jaccard系数提高了3%-10%,达到82.3%。2)基于深度贝叶斯蒸馏网络的皮肤病变识别机制:由于CNN无法量化模型的偶然与认知不确定性,而不确定性导致CNN模型的预测误差极大,给CNN辅助的皮肤病变类型识别带来极高的误诊率,因此本文提出一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别机制。具体地,在构建多尺度网络时,基于贝叶斯深度学习构建深度贝叶斯蒸馏网络,量化了模型的偶然不确定性与认知不确定性,通过多次采样数据分布拟合训练数据模型从而对不确定性进行更为精确的建模,可降低不确定性对结果的影响。进一步,引入了知识蒸馏对模型进行压缩,构建了一个学生网络模型拟合教师网络的输出,用教师网络的参数和真实值标签训练学生网络,从而达到对模型参数量与时间的优化,可减小模型的规模与等待时间。实验结果表明,所提机制的识别准确率与现有相关方案相比提高了3%-8%,达到83.9%,同时参数量减少了14.12%,运行时间节约了8.7%。3)皮肤病变分割与识别系统:由于在线智能诊断的误诊率低、可靠性高、成本等特点,衍生了大量对于皮肤病在线智能诊断的需求。因此在上述研究机制与现有系统研发技术的基础上,本文研制了一套皮肤病变分割与识别系统。具体地,系统分为服务端、用户端与管理员端,具有皮肤病变分割、皮肤病变识别模块,实现了在线皮肤病变分割、识别与咨询功能,有效支持了多种不同皮肤病变的分割与识别。测试结果表明,本系统准确率高、响应速度快,分割准确率达到82.3%,识别准确率达到83.9%。