宫颈癌的发病率占据女性生殖道恶性肿瘤之首。宫颈癌的早期筛查对于降低发病率和死亡率都具有重要意义。基于阴道镜视野下的醋酸实验是目前临床上对宫颈癌筛查的重要技术手段,然而这种方法面临主观性过强、精度低的问题,因此不利于在缺少有经验医生的基层地区的推广。针对上述问题,实现宫颈癌筛查的自动化和智能化就显得尤为重要。近年来由于深度学习中的卷积神经网络自动提取特征的优势,导致其在图像分类领域占据主导地位。目前已报道的大多数相关研究只采用醋酸实验后宫颈图像,信息较为单一,并未取得比人工提取特征更为明显的精度优势。为此,本文提出了一种用宫颈比值图像代替原图并结合迁移学习的方法。该方法在配准的基础上得到基于醋酸实验前后的宫颈比值图像,并最终利用在ImageNet数据集上预先训练好的VGGNet-16模型对宫颈比值图像进行迁移学习,从而实现宫颈癌前病变识别。在数据获取方面,从布点开展实验的医院已经获得了上千例阴道镜图像,其中包含110例HSIL(+)患者数据。为了保持数据平衡,构建了包含HSIL(+)和LSIL(-)各110例的数据集,此外还通过数据增强手段扩充了样本量。本文采取了两种实验方案,第一种将预先训练好的VGGNet-16模型当作特征提取器来使用,具体做法是重新训练靠近输出的几层,将剩下的整个网络当作一个固定的特征提取器,应用到宫颈数据集中;第二种是对其部分进行微调,具体做法是将模型起始的一些卷积层的权重固定住,重新训练后面的层,得到新的权重。实验结果显示使用本文提出的第一种方案在宫颈比值图像上得到的平均敏感性、特异性和准确率分别为81.82%,77.27%和79.54%,对比使用宫颈原图和宫颈区域分割图在平均准确率上提高了17.31%和11.36%;使用本文提出的第二种方案在宫颈比值图像上得到的平均敏感性、特异性和准确率分别为80.73%,88.36%和84.55%,对比使用宫颈原图和宫颈区域分割图在平均准确率上提高了12.28%和3.19%;同时复现了目前研究现状中的方法在我们数据集上得到的平均敏感性、特异性和准确率分别为79.21%,75.69%和77.45%。综上所述,证明了本文提出的方法的有效性。