宫颈癌是全球女性中第四大常见癌症,每年约有528000例新病例,约有85%的新病例发生在欠发达国家。在这些国家,高死亡率主要归因于缺乏熟练的医务人员和适当的医疗预筛查程序。随着计算机科学技术与物联网技术的与日俱进的发展,基于自动化检测和基于深度学习的图像技术也越来越多的应用到医疗诊断和对病人病变的细胞进行筛查的过程中。宫颈癌的发病并不是一个突然地过程,在HPV病毒侵入人体后它会缓慢的侵蚀宫颈的上皮细胞,并且在此过程中发生病变的细胞形态也会不断的发生变化,如果能在宫颈细胞病变的早期通过相关检测的手段,发现存在异常的细胞从而进行相应的治疗,将大大降低女性因为宫颈癌而病亡的概率。当前的检测手段多为医师人工的进行宫颈细胞的采集涂片以及染色观察等操作,不同的医师他们操作的熟练程度也有所不同,整个过程的耗时和诊断率,误诊率也存在着差异。同时长时间重复的进行机械化涂片、染色等操作也可能导致医师的注意力降低,存在误诊的风险。本文对于当前宫颈筛查过程中细胞涂片和染色的人工效率低的,人工参与度高,操作要求的专业性强,以及阅片时医师的效率不同等问题提出了一种基于深度学习的宫颈细胞自动识别系统。该系统能实现对于采集到的的宫颈细胞辅助医师进行制片以及染色过程并在获取图像后进行宫颈细胞的目标分类识别和区域检测,将宫颈细胞按照是否发生病变分为正常细胞、和病变细胞,来完成对细胞的预筛查,同时也能够为医师是否对患者进行后续深入检测提供建议。本文研究工作内容如下:1.自动化平台的搭建。自动化平台主要由机械运动模块、流体控制模块所组成,其中机械运动模块由电动夹爪的运动模块和采样针运动模块组成,另外流体控制模块包含液体的进出样模块和采样针的清洗模块。每个模块通过相应的传感器来实现对载玻片和试管进行自动取样、进样的操作。同时使用了RS485通信模块作为电脑端和下位机硬件模块之前相互通信的工具,使得我们可以通过电脑端对自动化平台进行控制。达到我们自动制片以及巴氏染色的目的。2.利用深度学习算法完成对宫颈细胞的目标检测和细胞种类的识别。在利用已公开的数据集的基础上,对数据样本进行了手动标定和小样本图片数据的数据增强,并使用YOLOv3算法来对宫颈细胞数据样本进行训练,通过训练得到的模型来对宫颈鳞状上皮细胞样本进行识别,判断是否发生了病变,最后使用多种评价手段来对判断结果进行准确度分析。本文在结合了传统的宫颈细胞涂片的制备和染色的基础上通过自动化平台实现了辅助医师进行制片和染色的操作,并且通过所使用的YOLOv3算法训练出的检测模型,能够有效的对宫颈细胞进行目标检测及分类识别。达到了辅助医师对采集到的细胞样本进行分析的目的。