恶性黑素瘤(MM)是一种罕见且发病率正在不断增加的皮肤癌症。仅在美国,2010年与MM有关的新病例和死亡数量就分别是68130和8700。近年来的数字皮肤镜揭示了皮肤色素性病变临床形态的一个全新维度,已逐渐成为最具成本效益的非介入式皮肤癌早期检测技术之一。皮肤病变的诊断经常依据这些原则来进行：ABCD (A:不对称性,B：边界,C：颜色,D：微分结构)、孟席斯方法、7点检查表和模式分类。具体地,要对各种病变进行分类是相当困难的,即使是经验丰富的皮肤科专家也达不到85%以上的诊断精度。为了提高皮肤科医生的临床表现,人们设计出皮肤的自动计算机辅助检测(CAD)工具,它能提供“第二选择”来提高病变检测和分类的精度、效率和相容性。CAD工具一般包含五个步骤：(1)预处理,(2)伪迹移除,(3)病变分割,(4) ABCD及所提取模式分类纹理特征的量化,和(5)最终分类。然而,归咎于病变形状的多样、边界的无规则性、镜面的反射、对比度的暗淡、伪迹的干扰和模式分类方法的低效,目前的CAD工具的效果还很有限。因此,病变的检测依然是一项很有挑战性的任务。本文详细地研究了皮肤病变的检测问题,同时也研究了检测精度的提高、增强、无监督病变分割、病变数值量化方法以及一种有效的模式分类方法。提出了一种新的针对病变检测的预处理步骤,在均匀颜色空间中基于同态变换滤波(HTF)和对比增强方法来分别调整镜面反射和增强对比。实验结果表明,这项技术要胜过目前的增强方法,而且不会降低图像的质量。使用了递归中值滤波来移除如皮肤镜凝胶等伪迹。提出了一种新的毛状修复算法思想来检测和修复毛状伪迹,它利用了2D高斯微分算子(DOG)、形态学函数和快速行进图像修复方法。该毛状伪迹修复算法能在不干扰病变模式的前提下得到比目前最先进方法更优秀的结果。然后,在改进的基于区域的主动轮廓(IRAC)模型的基础上提出了一种新颖的病变分割思想。IRAC模型克服了当前基于主动轮廓的分割算法的许多不足,如水平集初始化、固定正则化参数和多目标存在时的轮廓重叠。实验结果表明,IRAC模型比目前最先进的分割方法表现得更好。在检测到病变边界后,再有效地利用ABCD规则提取出一系列量化特征。此外,还发展了一种新的模式分类思想。为解决许多研究者在其分类系统中未予考虑的多成份模式问题,开发了一种基于决策树、最大后验(MAP)和鲁棒排序原则的自适应boosting多标记学习算法(AdaBoost.MC)。所提出的多标记学习算法能获得比现有方法更高的精度,还不会引起类间关联问题。本文是在感知均匀颜色空间中基于预处理、伪迹移除、病变分割、病变量化和模式分类等技术来开展皮肤病变的自动检测研究的。这项研究能为皮肤科医生提供在增强临床实践肿瘤诊断的敏感性和特异性方面的帮助,还能用于提高CAD或基于内容图像检索(CBIR)系统的表现水准。