O diagnóstico precoce do câncer de pele maligno é essencial para evitar a metástase e definir um tratamento adequado. Nesse sentido, muitas pesquisas já propuseram abordagens automatizadas de aprendizado profundo para auxiliar na análise visual de imagens digitais de lesões de pele em busca de um diagnóstico preciso. Os aspectos de cor das lesões são essenciais para determinar a suspeita de malignidade. Em imagens digitais, a cor pode variar conforme as mudanças na intensidade e nos aspectos de iluminação. Nessa perspectiva, esta tese investiga a relevância das características de iluminação e cor na precisão da classificação do câncer de pele utilizando modelos de aprendizado profundo. O estudo analisa como variações nessas características podem influenciar a detecção de lesões malignas, destacando a importância da correção de iluminação e cor para melhorar a precisão em sistemas de detecção. A metodologia deste trabalho desenvolveu uma abordagem de validação que combina técnicas convencionais de correção, como Contrast Limited Adaptive Histogram Equalization (CLAHE), Perfect Reflector e Shades of Gray (SoG), com técnicas avançadas baseadas em aprendizado profundo, como Local Color Distribution Prior Network (LCDPNet), Low-Light Neural Radiance Field (LLNeRF) e Deep Symmetric Network (DSN). O processo de delimitação das regiões das lesões utiliza a técnica personalizada DeepLabV3+. Os modelos de aprendizado profundo analisados incluem Inception-V3, Xception, ResNet-50 e DenseNet-121, treinados utilizando transferência de aprendizado e aumento de dados com a técnica Test-Time Augmentation (TTA). Os experimentos mostraram que as técnicas de correção de iluminação e cor com aprendizado profundo superam os métodos convencionais, melhorando a precisão na classificação de lesões malignas com os modelos avaliados. As arquiteturas de redes neurais profundas apresentaram sensibilidade variável às correções de iluminação e cor, sendo mais sensíveis aquelas com menor número de camadas e tamanhos menores de filtros. A correção das características de iluminação e cor produziu aumentos em todas as taxas de precisão nos modelos experimentados, embora alguns resultados não tenham sido expressivos. A correção dessas características é indispensável na classificação do câncer de pele com aprendizado profundo. A escolha adequada de técnicas analíticas pode aumentar a precisão na identificação de malignidades de pele. Além disso, o design e a estrutura da arquitetura do modelo influenciam a percepção da iluminação e da cor, tornando os modelos mais sensíveis às variações dessas características. Futuros estudos devem explorar novos métodos de correção com aprendizado auto-supervisionado e mecanismos de atenção para aprimorar a detecção de câncer de pele.