针对宫颈癌细胞的病理研究进展出现的细胞识别问题,提出一种新的解决方案,利用计算机对细胞图片进行分割处理,再结合模式识别技术设计自动识别,这对研究宫颈癌病变前的诊断具有重要意义。本文在现有的技术研究上结合医学理论知识,深入的分析了宫颈细胞图像分割的问题所在并且提出新的解决方案,最后实现了对图像处理和分类识别。研究内容主要涉及:宫颈细胞图像的预分割、重叠细胞分割、单细胞精确分割;提取客观有效用于分类识别的特征参数(形态、色度、纹理),采用BP神经网络对宫颈细胞进行分类。本文的研究工作主要分为两大部分:(1)宫颈细胞的分割处理。首先对细胞图像进行预分割,从完整的宫颈LCT图像中确定细胞前景,把图像分割为单个细胞、细胞群、杂质三种区域,因为宫颈细胞图像是分辨率高达数万像素的巨幅图像,因此采用了分块结合Otsu算法加快分割速度。细胞重叠和粘连是制片过程中不可避免的问题,第二步对重叠细胞图像分割将把细胞群分离为独立的细胞分割结果会影响细胞形态特征的参数提取的准确性。首先需判定细胞群是否可分,可分细胞群采用基于曲率的方法检测重叠细胞的分离点,通过基于曲线拟合的方法进行分离,不可分则舍弃。第三步是单细胞的精确分割,细胞精确分割是提取的细胞特征准确有效的前提,本文采用了基于GVF Snake模型的自适应分割方法,实验证明,该方法分割精确,能够取得较为满意的结果。(2)采用BP神经网络对宫颈细胞进行分类,考虑到标准BP神经网络存在自身固有缺陷,依据权威的宫颈细胞病理学诊断标准(TBS)筛选出15个替代特征参数,进行主成分分析,得到一个必不可少并且足够小的特征集,通过实验比较可知该特征集可以大大缩短训练时间,从而设计出一个稳定可靠的模型。最后,在训练过程中引入自适应学习率和动量因子调节层间权重值加快了网络收敛速度。本文是基于丰富的病理实践和扎实的医学细胞病变理论上开展的研究,借鉴人工BP神经网络理念设计分类器对现实宫颈癌细胞图片进行分类识别,该项研究对临床应用方面有着广阔的前景和重要的现实意义。