1.一种基于深度学习的黑色素瘤皮肤病的分类识别方法，其特征在于，所述方法包括以下步骤：步骤1：采用类激活图的方法，找到图像中对网络分类结果影响比较大的区域，并将该部分进行裁剪；

步骤2：将医生手动分割的病变区域的二值掩膜图像作为一种单独的训练数据；

步骤3：将原始图像、采用类激活图剪切的图像、医生手工分割的病变区域二值掩膜图像分别进行数据预处理；

步骤4：采用图像分类网络，Inception-ResNet-v2、GoogLeNet、VGGNet三种神经网络的不同组合方式进行联合，将它们最后一层进行联合，步骤3中三种训练集图片分别单独输入其中一个神经网络，图片正向输入网络，并通过反向传播最小化代价函数更新权值，求出对第一类非增值性损伤皮肤病分类效果最优组合，命名为联合网络1；

步骤5：同理求出对第二类良性但对健康有害的细胞增值和第三种恶性肿瘤网络最优组合方式，分别命名联合网络2、联合网络3；

步骤6：先采用联合网络1对第一类皮肤病单独分类，再使用联合网络2将剩余数据中的第二类皮肤病分类出来；剩余的就是恶性皮肤病，得到皮肤病分类准确率1；

步骤7：先采用联合网络2对第二类皮肤病单独分类，再使用联合网络1将剩余数据中的第一类皮肤病分类出来；剩余的就是恶性皮肤病，得到皮肤病分类准确率2；

步骤8：直接使用联合网络3对第三类恶性皮肤病分类，得到皮肤病分类准确率3；

步骤9：比较准确率1、准确率2、准确率3，将最高的准确率作为最终的结果。

2.如权利要求1所述的一种基于深度学习的黑色素瘤皮肤病的分类识别方法，其特征在于，所述步骤4和步骤5中，对于不同网络进行联合处理，要求每个网络最后的全连接层任取两个神经元，因此三个网络得到的六个神经元；将这六个神经元与两个输出节点全连接，将会得到12条连接，它们的初始权重任意选取；将原图、剪切后的类激活图、二值掩膜图分别输入不同的网络，进行前向传播得到网络预测的结果，该结果与图像的标签计算loss函数，根据该loss函数，进行反向传播重新优化权重；如此反复迭代，直至loss函数收敛到设定阈值。