La segmentación precisa de lesiones cutáneas juega un papel importante en el diagnóstico y tratamiento de cánceres de piel. Sin embargo, las áreas de lesiones cutáneas son ricas en detalles y características locales, incluyendo la apariencia, tamaño, forma, textura, etc., lo cual plantea desafíos para la localización y segmentación precisa del área objetivo. Desafortunadamente, las operaciones de agrupamiento consecutivo y convolución de paso en las soluciones basadas en redes neuronales convolucionales (CNN) existentes conducen a la pérdida de información espacial y, por lo tanto, limitan la precisión de la segmentación de la región de la lesión. Además, el uso solo de la función de pérdida tradicional en CNN no puede garantizar que el modelo esté adecuadamente entrenado. En este estudio, se propone una red generativa adversarial, con conciencia de características semánticas globales y locales (GLSFA-GAN) para la segmentación de lesiones cutáneas basada en entrenamiento adversarial. Específicamente, en el generador, se diseñan un módulo de fusión de características localizadas a múltiples escalas y un módulo de atención de canal efectivo para adquirir la información detallada local a múltiples escalas del área de la lesión cutánea. Además, se utiliza un módulo de extracción de contexto global en el cuello de botella entre el codificador y decodificador del generador para capturar más características semánticas globales e información espacial sobre la lesión. Después de eso, utilizamos una estrategia de entrenamiento adversarial para que el discriminador distinga entre las etiquetas generadas y los mapas de predicción de segmentación, lo que ayuda al generador a producir mapas de segmentación más precisos. Nuestro modelo propuesto fue entrenado y validado en tres conjuntos de datos públicos de desafíos de lesiones cutáneas que involucran el ISIC2017, ISIC2018 y HAM10000, y los resultados experimentales confirman que nuestro método propuesto proporciona un rendimiento de segmentación superior y supera a varios métodos comparativos.