1.一种基于集成学习的黑色素瘤皮肤病图像分类方法，其特征在于，所述方法包括以下步骤：步骤1，使用基于随机掩盖大小固定的区域的数据增强方式来扩充训练样本，过程如下：

1.1依次从训练集中无放回取图片img，并获取它们的宽img_w和高img_h；

1.2初始化掩盖区域的宽w＝s，高h＝s；

1.3随机从(0，img_w-s)中初始化掩盖区域的左上角横轴坐标x0，随机从(0，img_h-s)中初始化掩盖区域的左上角纵轴坐标y0，掩盖区域的右下角坐标为(x0+s，y0+s)；

1.4将区域(x0，y0，x0+s，y0+s)的像素值置为0；

1.5保存增强后的图片；

步骤2，建立多个卷积神经网络模型

使用的训练集包含黑色素瘤皮肤病图像和非黑色素瘤皮肤病图像；

2个训练集的组成分别如下：

训练集1：原始训练集和对原始训练集进行随机掩盖的到的增强样本，其中增强过程中分别设定s＝150，s＝300；

训练集2：原始训练集和对原始训练集进行随机掩盖的到的增强样本，其中增强过程中分别设定s＝150，s＝200，s＝250，s＝300；

使用卷积残差50层网络：对输入图片使用64个卷积核，卷积核大小为7*7，从而得到第二个条形方块，然后再进行池化，池化区域大小为3*3，图2中后面的Res1-3代表第1-3个残差块，Input Xn-1代表n-1层的输出,同时也是残差块的输入，残差块中1*1conv代表卷积核大小为1*1，Batch Norm代表该层为归一化层，就是以Batch为单位，将里面的数据统一按照一定的方式缩放到一定的范围内，ReLU代表该层为激活函数层，该层使用的激活函数为ReLU，其函数表达式如下：然后Fl(Xn-1)代表经过残差块的运算之后输入到输出之间的映射，侧边的shortcut连接迫使残差块学习到的映射更贴近于输入，Output Xn代表残差块的输出；

目标函数：模型训练过程中采用交叉熵损失函数作为目标函数，其形式如下：P代表训练过程中模型输出的概率值，y代表图片的真实标签，黑色素瘤的标签为1，非黑色素瘤的标签为0；

步骤3，卷积神经网络模型的集成

假定由训练集1训练得到的模型为分类模型1，训练集2训练得到的模型为分类模型2，对分类模型1和分类模型2分别使用测试集来测试其效果，然后每个模型会各自给出测试样本属于黑色素瘤的概率值p1，p2，集成的时候对于测试样本属于黑色素瘤的概率p＝(p1+p2)/2。