皮肤癌的早期发现对患者的五年生存率有着显著的提高，然而由于早期恶性肿瘤在Biobehavioral sciences皮肤中的病变非常细微，其症状并不明显，专业医生需要进行多次活检并提取病变组织才可以诊断出病变类型。现有的机器学习方法由于难以同时关注空间细节信息与浅层语义特征，其在皮肤病变图像中识别准确率并不高。为了有效表示空间位置和浅层特征信息，避免模型过于关注细节信息导致易分图像误分类等问题，提出了一种基于ConvNeXt的逐级聚合注意力网络。该方法通过分层ConvNeXt编码器逐层提取病变区域的深层和浅层特征，并通过并行空间注意力有效整合空间位置信息和深层或浅层语义特征，聚合多尺度上下文信息。3-Methyladenine同时，设计逐级特征聚合模块有效整合深层和浅层特征，并通过动态调整权重的方式将深层和浅层特征聚合，高度符合专业医生对皮肤镜图像分类时粗略观察和细微观察的过程。在ISIC2018、ISIC2019数据集中上进行实验测试，其准确率、精确率、召回率和F1-Score分别是95.27%、93.76%、92.83%、93.18%与92.63%、91.06%、87.05%、88.81%。通过与ConvNeXt相比，点击此处准确率分别提升了2.13%和3.29%，证明其能有效地提取细节特征和粗略特征，为皮肤镜图像的诊断提供新的依据。