近年来,由于病理图像的传统人工阅片方式的不足,各类计算机辅助诊断与分析技术逐渐进入医学临床应用,其中尤以细胞学病理分析为甚。宫颈细胞计算机辅助分析系统中的分类器通常由目标提取,特征提取以及分类识别三部分组成,其性能仍存在不足,主要受人工选取特征有效性的影响。最近发展迅猛的卷积神经网络可以自动提取有效特征,可弥补上述人工选取方式的缺陷。另外,目前的计算机辅助分析系统无法同时提供针对同一样本的定量分析与定性分析结果。鉴于此,针对宫颈细胞Feulgen-伊红复合染色病理玻片的双摄图像,本文基于深度学习方法进行宫颈细胞病理分析。在宫颈细胞图像分类方面,本文采用以图像对作为输入的ResNet分类网络。该分类网络在测试集上,取得了超过92%的精确率,其召回率比SVM分类器提高了30%,达到93%。另外,在临床数据对比测试中,ResNet分类网络同样表现优异。为解决传统方式获取输入图像过多的弊端,本文采用基于SegNet分割网络的候选区域选择方法。该方法可以有效检出病理图像中绝大多数的宫颈细胞核,且总的检出目标图像较传统方法大幅减少,至少达50%。本文将SegNet分割网络与ResNet分类网络结合起来,提出了基于深度分割网络定位的宫颈细胞检测方法。在测试集上,该检测方法取得了较高的精确率,且召回率比基于SVM的检测方法高出了32%。本文的检测方法可以为后续的定量分析提供可靠基础,具有实际应用价值。