在早期筛查宫颈癌中,现在最常用的方法即细胞学检查法,该方法的普及推广使得发病率和死亡率大大降低了。然而排查过程的工作量较大而且专业医师紧缺,所以发展出了计算机辅助细胞学检测技术来帮助医师判别宫颈病变程度。该技术通过自动扫描宫颈涂片进行诊断,评价标准客观且其结果具有较高的临床实用性和可靠性,十分有利于提升宫颈癌筛查效率。近几年来深度学习在医学图像领域中取得了不错的成果,前人在宫颈细胞分类上已经做了很多工作。但是分类准确率上还有提高的空间,分类算法的实用性也有待加强。本文将生成对抗网络与分类网络结合,从多个方向提高分类准确率。本文的主要工作如下:1、为了在数据集过小时更好的训练卷积神经网络,通过训练GAN（生成对抗网络）生成新的样本进行图像数据增强。扩充后的数据集应用于训练图像分类模型,得到了不错的效果。针对Herlev宫颈细胞数据集的二分类问题,本文首先使用原始训练集训练GAN,生成了大量高质量的高分辨率细胞图像,将每类训练集扩充到24000例。然后使用扩充后的训练集进行分类网络训练,在Res Net迁移学习的验证集准确率高达97%,高于仿射变换扩充的数据集的训练结果93%,可见本文方法可以有效地实现图像的数据增强。2、为了改善宫颈细胞图像分类的准确率,提高分类模型在低分辨率下的分类表现,本文使用同济医院提供的宫颈细胞数据集,设计了结合SRGAN超分辨网络以及Res Net网络的联合分类网络。实现了同时进行超分辨与分类的工作,并在训练过程中使用最终分类的loss值更新整个网络的参数。超分辨图像抽样以及5折交叉验证结果表明,本文网络在实现高性能超分辨的前提下对于宫颈细胞的多分类准确率提升很大,比第二名的方法提高了2.8%。3、为进一步提高宫颈细胞图像分类的准确率,本文将卷积神经网络与手动提取的细胞生物学特征结合起来,使最终的分类效果得到了明显提升。细胞图像的吸光度是判断细胞病变程度的重要指标之一,它将正常细胞的吸光度均值作为标准,从而得到其他细胞的相对吸光度。本文将此特征加入Res Net网络的全连接层并训练新的网络,相对于原始Res Net网络,分类准确率提升明显。5折交叉验证结果表明,总准确率比单独使用卷积神经网络分类的准确率高3.6%。