El melanoma es un cáncer de piel letal. En su diagnóstico, la segmentación de lesiones cutáneas juega un papel crítico. Sin embargo, las lesiones cutáneas presentan una amplia gama de tamaños, formas, colores y bordes. Esto hace que la segmentación de lesiones cutáneas sea una tarea desafiante. En este documento, proponemos una red de codificación-decodificación llamada Res-CDD-Net para abordar los aspectos mencionados relacionados con la segmentación de lesiones cutáneas. Primero, adoptamos ResNeXt50 pre-entrenado en el conjunto de datos ImageNet como la ruta de codificación. Este ResNeXt50 pre-entrenado puede proporcionar características de imagen ricas a toda la red para lograr una mayor precisión de segmentación. En segundo lugar, se introduce un bloque de atención espacial y de canal (CSAB), que integra tanto la atención de canal como la espacial, y un bloque de captura multi-escala (MSCB) entre las rutas de codificación y decodificación. El CSAB puede resaltar el área de la lesión e inhibir objetos irrelevantes. MSCB puede extraer información multi-escala para aprender áreas de lesiones de diferentes tamaños. En tercer lugar, mejoramos la ruta de decodificación. Cada núcleo de convolución cuadrado de 3 x 3 en la ruta de decodificación se reemplaza por un bloque de rama diversa (DBB), que no solo promueve la capacidad de restauración de características, sino que también mejora el rendimiento y la robustez de la red. Evaluamos la red propuesta en tres conjuntos de datos públicos de lesiones cutáneas, a saber, ISIC-2017, ISIC-2016 y PH2. El coeficiente de Dice es un 6,90% más alto que el de U-Net, mientras que el índice de Jaccard es un 10,84% más alto que el de U-Net (evaluado en el conjunto de datos ISIC-2017). Los resultados muestran que Res-CDD-Net logra un rendimiento sobresaliente, superior al rendimiento de la mayoría de las redes de última generación. Por último, pero no menos importante, el entrenamiento de la red es rápido y se pueden lograr buenos resultados en las primeras etapas de entrenamiento.