随着全球皮肤癌发病率的持续上升，能显著提高患者生存率的早期检测显得尤为重要。深度学习技术开辟了自动皮肤病变分类的新途径，但在处理图像噪声、类别不平衡及多尺度特征方面，现有方法性能受到限制。针对以上挑战，提出了一种整合了多种技术策略的新框架。首先，采用基于小波变换的预处理技术，有效消除病变图像中的毛发干扰，从而揭示图像中的病变微观细节，为模型提供高质量的输入图像。其次，引入了一种新的随机Colforsin体内数据增强策略，通过扩展图像的多样性，显著提升了模型对不同类型皮肤病变的识别能力。此外，提出了一种动态焦点损失函数针对类别host immunity不平衡问题提供了有效的解决方案，通过调整权重增强了对少数类病变的识别准确性。最后，应用金字塔预测技术，整合了不同尺度的特征信息，提高了模型对病变区域大小差异的适应性和准确性。在ISIC2018和ISIC2019数据集上的实验结果显示：相比于Densenet169网络，该框架的平均准确率分别提升了8.1%和4.34%，准确率分别提升了3.VE-822浓度18%和3.37%。