宫颈癌是最常见的妇科恶性肿瘤,近几年发病率与死亡率呈现出上升趋势的同时明显趋向年轻化,在全球范围内严重困扰女性的生命健康。在临床上,如果宫颈癌能够在早期发现,治疗效果最好且需要承担的医疗成本低。因此,许多国家都在适龄妇女中全力推行宫颈癌早期筛查的普及,帮助女性在早期就能够及时发现宫颈疾病并进行相应治疗,从而降低妇女宫颈癌的发病率和死亡率。宫颈液基细胞检测（Thinprep Cytologic Test,TCT）是国际卫生组织确定的宫颈癌最佳早期检测方法,TCT优点在于宫颈异常细胞检出率高达95%,能有效提高筛查准确率,降低漏诊率。TCT虽然筛出率较高,成本也比较低廉,但TCT检测对病理医生的专业水平依赖程度高,需要医生通过人工阅片找出异常细胞,若医生经验不足或超负荷工作都易导致误诊率和漏诊率加大。因此,基于深度学习技术实现病理图像细胞的自动检测成为了研究的热点。由于宫颈癌筛查覆盖面广,因此可以在大型医院、体检中心和社区卫生服务中心等多种机构进行,细胞检测的深度学习模型往往需要应用于多家医疗机构。因为不同医疗机构存在病理切片采集设备和染色方法不同,得到的图像的精度、倍率、染色结果不同,导致数据集特征分布存在差异,所以现有深度学习模型在不同医院的应用表现效果并不佳,存在领域偏移问题。针对上述问题,本文首先提出了基于可形变卷积和注意力机制的宫颈液基细胞检测模型,提升了单域场景中细胞的检测率;然后,针对现实筛查场景中存在的领域偏移问题,进一步提出了基于领域自适应的宫颈液基细胞检测模型,提升了多域场景中细胞的检测率;最后设计并实现在线宫颈液基病理图像自动标注系统。本文的研究内容主要分为以下三部分:（1）基于可形变卷积和注意力机制的宫颈液基细胞检测方法为了提高单域场景中细胞检测的准确率,提出了基于可形变卷积和注意力机制的宫颈液基细胞检测方法。首先,针对宫颈液基病理图像中存在的类别细胞尺寸差异大的问题,一方面利用数据增强技术填充了多种尺寸的细胞样本,使得模型能够学习更多规则的细胞轮廓特征;另一方面,引入可形变卷积使得模型能够进一步学习不规则的细胞轮廓特征。然后,针对病理图像中背景类别干扰问题,利用空间注意力机制加强对前景类别的特征提取能力,从而降低了细胞检测时背景类别对前景类别的干扰。最后通过实验证明,本文提出的方法有效提升了单域场景中的宫颈液基细胞检测性能,相对于主流目标检测算法分别能够提升+1%、+4.8%以及+3.9%的m AP值。（2）基于图像级与类别级领域自适应的宫颈液基细胞检测方法为了提高多域场景中细胞检测的准确率,提出了基于图像级与类别级领域自适应的宫颈液基细胞检测方法。针对源域与目标域特征分布不一致的问题,该方法在一阶段目标检测网络Retina Net的基础上,加入了图像级与类别级领域自适应模块,实现了跨域特征对齐,解决了领域偏移问题。其中,在图像级领域自适应模块中,提取源域与目标域主干网络中多尺度的图像级（即全局）特征,将其输入到领域判别网络进行对抗学习,实现全局图像特征空间对齐;在类别级领域自适应模块中,通过改进分类子网提取类别级（即局部）特征,将其进行聚类后进行对比学习,实现局部实例特征空间对齐。通过实验证明,本文提出的方法提升了模型跨域泛化效果,在多个数据集上的m AP值相比于基准模型分别上升了+12%以及+6.8%。（3）基于web的宫颈液基病理图像自动标注系统系统使用MVC总体设计模式进行前后端分离的开发。根据宫颈液基病理图像标注的现实需求,通过数据集管理模块、标注/审核模块以及预测模块实现了病理图像标注的规范化管理。系统中通过预测模块实现对上传宫颈液基病理图像的细胞预测结果,从而实现辅助病理医生进行疾病诊断,大大提升了诊断效率。