宫颈癌人工筛查方法存在效率低、准确度受医师主观判读影响等问题。随着计算机技术的不断发展,图像处理技术和深度学习技术逐渐应用于细胞识别检测中。但是目前对于宫颈鳞状上皮分类的研究不足,分类结果单一化,同时普遍存在准确率低、泛化能力弱等问题,尤其是高度病变细胞的识别精度有待提高。针对这些问题,本文提出一种基于改进SSD(Single Shot MultiBox Detector)网络的宫颈癌细胞自动筛查系统。该系统能完成显微镜下样本的自动对焦与扫描以获取图像,随后进行细胞分类检测,将宫颈鳞状上皮细胞分为:正常细胞、低度鳞状上皮病变、高度鳞状上皮病变、鳞状细胞癌。本文主要工作如下:(1)搭建显微镜成像平台。在X轴、Y轴上设定逐行逐列扫描,Z轴上设计并实现自动对焦算法。在对图像清晰度评价函数上,对传统的拉普拉斯算子和局部方差信息进行融合;结合爬山搜索和函数逼近算法,设计对焦平面搜索算法。(2)利用深度学习技术完成宫颈鳞状上皮细胞的分类检测。在原有SSD网络模型的基础上,结合正反向特征融合对低层级高分辨率的特征图进行改进,改善原有网络对小物体目标检测不够敏感的缺点,引入双线性汇合特征分析的思想,对网络结构进行调整。对于损失函数的计算,本文加入中心损失函数,更好的适用于细胞分类中类内差别大于类间差别的现象。(3)对显微自动扫描平台和细胞分类检测算法进行实验验证。结果表明,改进后的对焦算法能够更加快速地获得高质量图像,整个平台能够自动完成对样本的扫描任务;在细胞分类检测方面,本论文改进后的网络模型的mAP(mean Average Precision)值达到 81.53%,较YOLO(You Only Look Once)算法提高7.54%,较SSD算法提高4.92%。最后对全文工作进行总结,并对未来研究方向做出展望。图44幅,表10个,参考文献52篇。