深度神经网络（Deep Neural Networks，DNN），它是一门深度学习的研究，他和普通神经网络不同是，它有很多层数据模型，可以多到1000多层，中间有很多的隐藏层，又被称为深度前馈网络（DFN），多层感知机（Multi-Layer perceptron,MLP）。它是通过每一个神经元的输入的信息与前一层的感知信息相连接，每个神经元可以只对局部的感受野进行感知，然后提取局部的特征，在提取了足够的特征之后，再将每一个特征映射成一个平片，平面上的神经元权值相等，用训练好的分类器输出分类结果。
　　现代医学图像识别的准确度随着人工智慧科技领域的蓬勃发展大幅攀升，为医学诊断提供了非常大的帮助。然而跨学科的鸿沟是普遍存在的，人工智能科学家不了解临床需求。同样，临床医生不了解人工智能具体技术，导致人工智能不能很好地满足临床具体需求。为了促进人工智能在医学领域的应用，应增进临床医生与人工智能研究团队的广泛合作，这种密切合作将解决机器学习研究人员无法获得医学数据的问题，也可以帮助机器学习研究者开发出更符合临床需求的深度学习算法，应用到计算机辅助诊断设备中，从而进一步提高诊断效率和准确率。本文运用卷积神经网络的算法对宫颈细胞图片进行分类识别。主要研究的内容是如下：
　　（1）本文对目前本学科领域卷积神经网络国内外现状做了详细介绍，阐述了卷积神经网络的基本原理、构造和特点，并在AlexNet模型的基础上把若干个构造分别做了不同分类的试验对比，并一一做了训练和测试，分析了不同卷积核、激活函数、归一化方式对网络性能的影响。
　　（2）经原有的AlexNet模型训练发现损失值很高，依据上文对网络结构的研究结果总结了四点原因，对现有的AlexNet卷积神经网络进行改进优化。首先，增加了三个相对独立的残差块（Residual block），允许原始网络读取的信息直接输出到后面的网络层中，加速了网络提取，达到一种可以保持原有特征的效果。其次，修改卷积核的大小，以区分细微细胞的识别分类能力。增加了卷积核的个数，使得提取到更多的特征，是模型更具泛化能力。最后，在残差块中添加了BN层。解决了网络在每次的迭代的时候都要去适应不同的数据分布，这样会大大降低网络训练速度的问题。
　　（3）经过改进并重造了AlexNet网络模型，得到RALEX-CNN（Residual Alex Convolutional Neural Network）网络模型，为了验证它的高效性，与改进前的网络和BP神经网络、SVM网络用同样的数据集和系统硬件做了试验对比，实验表明：采用RalexNet模型是最有效的提取宫颈细胞的特征信息进而对其高效的进行识别，识别准确率达到94.37%，比BP高出12.77%，比SVM分类器高出10.05%，比AlexNet高出8.07%。
　　基于改进的AlexNet的残差网络RALEX-CNN对宫颈细胞分类问题，用相当高的准确率去解决对宫颈细胞是否患癌的分类，算法识别耗时长等问题。