结合计算机技术和病理学相关理论,实现对宫颈病变细胞的自动分类识别,对宫颈癌诊断具有重要的实用价值。传统的宫颈病变细胞识别分类方法需要人工提取特征,会引入主观误差,导致识别效果不佳。本文将宫颈细胞图像分成四类,结合卷积神经网络,实现了对宫颈细胞图像的准确识别分类,主要工作如下:(1)本文设计一种带有并联卷积层的卷积神经网络S-CNN模型。该模型含有七层卷积层、四层池化层、两层全连接层和输出层,卷积层和池化层交替连接,通过增加并联卷积层,对输出特征图像进行叠加处理,获取更丰富的细胞图像特征;叠加后的特征图输入到下一卷积层,最后经过两层全连接层由Softmax分类器进行分类;加入批量归一化算法对模型进行优化,加快网络训练速度。实验结果表明,与AlexNet和VGG16两种卷积神经网络模型相比,本文设计的S-CNN模型能更准确的学习宫颈病变细胞图像特征,有效降低识别分类错误率。(2)提出一种基于残差网络的交叉熵代价函数改进算法。该算法根据宫颈细胞图像识别中的真实标签和预测标签,建立权重矩阵,将该矩阵应用于交叉熵代价函数,实现算法改进。宫颈细胞图像识别分类情况中,宫颈病变细胞的假阴性识别分类错误,即假阴性率,会直接影响宫颈癌的诊断结果。为降低宫颈细胞图像识别分类的假阴性率,对权重矩阵元素划分等级,不同等级赋予不同的权值。实验结果表明,本文改进的交叉熵代价函数算法,可有效降低宫颈病变细胞识别分类的假阴性率,从而使整体的识别分类错误率有所下降。