چکیده: چکیده در این پایان‌نامه، از روش‌های نوین یادگیری عمیق برای طبقه‌بندی و تقسیم‌بندی سرطان پوست استفاده شده است. سرطان پوست یکی از شایع‌ترین انواع سرطان‌ها است که تشخیص زودهنگام و دقیق آن می‌تواند در کاهش مرگ‌ومیر ناشی از این بیماری نقش حیاتی ایفا کند. به‌دلیل ویژگی‌های پیچیده تصاویر پزشکی پوستی، نیاز به استفاده از تکنیک‌های پیشرفته برای شناسایی و تحلیل دقیق‌تر این تصاویر وجود دارد. برای انجام این تحقیق، از مجموعه‌داده ISIC2020 استفاده شد که یکی از معتبرترین مجموعه‌داده‌ها در زمینه تصاویر پزشکی پوستی است. یکی از چالش‌های اصلی در این تحقیق، نامتوازن بودن مجموعه‌داده‌ها بود که باعث می‌شد برخی از انواع سرطان‌ها کمتر از سایر انواع در داده‌ها نمایان شوند. علاوه بر این، مجموعه‌داده‌های موجود فاقد ماسک‌های دقیق برای تقسیم‌بندی تصاویر بودند. برای حل این چالش‌ها، ابتدا با استفاده از روش‌های یادگیری عمیق، ماسک‌های مورد نیاز برای تقسیم‌بندی تولید شد و سپس با استفاده از تکنیک‌های افزایش داده، مجموعه‌داده‌ها متوازن گردید. برای بخش تقسیم‌بندی، مدل DoubleU-Net به‌کار گرفته شد این مدل به‌ویژه برای تقسیم‌بندی دقیق تصاویر پزشکی طراحی شده و توانست عملکرد بسیار خوبی از خود نشان دهد. مدل با استفاده از معیار دایس ارزیابی شد و دقت 98.09 درصد در شناسایی نواحی سرطانی پوست به‌دست آورد که نشان‌دهنده کارایی بالای مدل در این بخش است. در بخش طبقه‌بندی، از مدل ResNet-50 استفاده شد که با وزن‌های پیش‌آموزش‌یافته و تکنیک‌های چند مقیاسی و مکانیزم توجه بهبود یافته است. این مدل توانست با دقت بالا ویژگی‌های مهم تصویر را شناسایی کند و عملکرد بسیار خوبی در تشخیص نوع سرطان پوست نشان دهد. نتایج آزمایش‌ها نشان داد که مدل در داده‌های تست دقت 91.01 درصد و در داده‌های آموزشی دقت 96 درصد را به‌دست آورد.