针对当前皮肤病识别分类面临的两个主要问题：一是由于皮肤病种类繁多，病灶外观的类间相似度高和类内差异化大，尤其是色素性皮肤病，使得皮肤病的识别分类比较困难；二是皮肤病识别算法模型设计存在一定的局限性，识别率还有待进一步提高。为此，以VGG19模型为基础架构，训练了一个结构化的深度卷积神经网络（CNN），实现了色素性皮肤病的自动分类。首先，采用数据增强（裁剪、翻转、镜像）对数据进行预处理；其次，将在ImageNet上预训练好的模型，迁移至增强后的数据集进行调优训练，训练过程中通过设置Softmax损失函数的权重，增加少数类判别错误的损失，来缓解数据集中存在的类别不平衡问题，提高模型的识别率。实验采用深度学习框架PyTorch，在数据集ISIC2017上进行。实验结果表明，该方法的识别率和敏感性可分别达到71.34%、70.01%，相比未设置损失函数的权重时分别提高了2.84、11.68个百分点，说明该方法是一种有效的皮肤病识别分类方法。