1.一种基于卷积神经网络模型二次集成的黑色素瘤分类方法，其特征在于，所述方法包括以下步骤：

步骤1.基于随机掩盖来构建多个具有差异性的不同训练集；

步骤2.卷积神经网络模型的构建及使用Focal loss作为模型的惩罚函数；

步骤3.卷积神经网络模型的集成及二次集成；

所述步骤1中，通过随机掩盖进行原始数据的增强，然后按照设定方式对于增强后的数据和原始数据进行组合来构建多个具有不同样本的训练集，构建的多个训练集如下所示：训练集A：原始训练集+Mask150+Mask300；

训练集B：原始训练集+Mask150+Mask200+Mask250+Mask300；

训练集C1:B类由原始图像组成，M类由M类的原始图像、M_Mask150和M_Mask300图像组成；

训练集C2:B类由B_Mask150图像组成，M类由M类原始图像、M_Mask150图像和M_Mask300图像组成；

训练集C3:B类由B_Mask300图像组成，M类由M类原始图像、M_Mask150图像和M_Mask300图像组成；

训练集C4:B类由B_Mask200图像组成，M类由M类原始图像、M_Mask150图像和M_Mask200图像组成；

训练集C5:B类由B_Mask250图像组成，M类由M类原始图像、M_Mask200图像和M_Mask250图像组成。

2.如权利要求1所述的一种基于卷积神经网络模型二次集成的黑色素瘤分类方法，其特征在于：所述的步骤2中，卷积神经网络模型的构建及使用Focal loss作为模型的惩罚函数的过程为：

将网络中的softmax loss替换为Focal Loss，并调节参数，其公式组成如下：softmax函数的表达式定义如下：公式中xj代表卷积神经网络的输出，softmax函数的输出为对某一维度的值xi转化而成的概率值；

其中p代表softmax函数输出某个样本属于黑色素瘤的概率值，y代表样本的标签，其中B类的标签为0，M类的标签为1；

Focal loss的函数表达式如下：γ

FL(pt)＝‑αt(1‑pt) log(pt)其中p代表softmax函数输出的概率值，α∈[0,1]和γ∈[0,∞]是两个可以人为调节的参数。

3.如权利要求1所述的一种基于卷积神经网络模型二次集成的黑色素瘤分类方法，其特征在于：所述的步骤3中，对卷积神经网络模型的集成及二次集成的过程为：

3.1.通过构建多个不同的训练集，一共训练了8个卷积神经网络模型，A、B、C1、C2、C3、C4、C5，最主要的特征在于先对C1、C2、C3、C4、C5模型进行集成，并且这5个模型在构建模型C2的时候使用模型C1的参数进行初始化C2，同样的构建C3时使用模型C2的参数进行初始化C3，构建C4时使用模型C3的参数进行初始化C4，构建C5时使用模型C4的参数进行初始化C5，通过这种迁移式的微调来构建C1、C2、C3、C4、C5可以保证网络学习到的参数在保持稳定的同时也具有一定的变化；最后再对这5个模型集成得到最终的模型C，此为第一次集成，之后再将模型A、B、C进行集成来得到最终的分类模型D；

3.2.在对模型进行集成的时候，使用投票法进行集成；即任意一张需要预测图像，每个卷积神经网络分类模型预测一个结果，并统计分类模型的预测结果，最终集成后的模型的结果为票数最多的类别，对于测试图像1来说，假设卷积神经网络分类模型1和卷积神经网络分类模型2给出的预测结果为B类，即输出为B类的概率值大于0.5，卷积神经网络分类模型3给出的预测结果为M类，即输出为M类的概率值大于0.5，则最终集成后的模型给出的预测结果为B类；最后对模型A、B、C进行投票集成，得到最终的集成模型D。