随着各国医疗技术的完善与社会经济水平的发展,人们的健康问题开始得到了更多的关注。宫颈癌是世界女性中患肿瘤疾病死亡的第四大常见癌症,它有着很高的发病率与死亡率,严重地威胁着女性的健康。而在资源匮乏的地区形势则更为严重,其死亡率和发病率高居第二,仅次于乳腺癌。因此,宫颈癌的早期筛查对其防治有着积极的作用。目前阴道镜下的醋酸实验作为宫颈癌检测的一种主流检测手段,存在着主观性强、诊断精度低等多种问题,同时该方法不利于缺少临床经验的医生在基层地区进行推广。因此通过实现宫颈癌的自动化诊断,提高宫颈癌筛查效率和准确性,成为了当前该研究领域的一个亟待解决的问题。目前宫颈癌的早期筛查相关研究工作越来越多,但是大多数的研究工作都是基于醋酸实验后的阴道镜图像,关于醋酸实验前的阴道镜图像的研究却少有涉及。在整个的醋酸实验过程中,宫颈区域的醋白变化是一个渐变的过程,因此醋酸实验前的阴道镜图像对我们的研究工作也具有一定的参考价值。基于此背景,本文提出了一种基于多模态特征变化的宫颈癌前病变识别方法,该方法主要是通过对醋酸实验前后的阴道镜图像进行一系列的图像预处理,然后利用迁移学习对处理图像进行特征提取,最终对提取的特征数据进行网络模型训练以建立实验所需网络模型。首先,在配准过程中先采用互相关和投影变换的配准方法对阴道镜图像进行配准处理,使得醋酸实验前后的两幅图像中对应于同一位置的像素一一对应起来,从而达到信息配准或者信息融合。其次,再通过k均值聚类算法和插值缩放实现宫颈区域的分割与提取,由此得到去除冗余背景信息的醋酸实验前后宫颈图像。最后对醋酸实验前后的宫颈图像进行特征提取及分类训练,得到本文所提方法的最终分类模型。同时与其他特征提取器进行了相同的分类训练,在最终的测试集上,对本文所提方法与其他几种比较方法进行了测试性能的比较。对于本文所提出的几种实验方案在300例影像资料（包含75例正常影像、75例CIN1影像、75例CIN2影像和75例CIN3影像）上进行了对应实验。实验结果表明,本文所提的基于多模态特征变化的宫颈癌前病变识别方法在经过图像配准和宫颈区域提取之后,通过VGG16网络模型对其进行特征提取的组合模型最终取得了86.3%的准确率、84.1%的敏感性和89.8%的特异性,相较于其他几种比较方法和其他几种特征提取网络模型,该方法在宫颈癌的临床应用上具有积极的参考价值。