宫颈癌是女性常见的恶性肿瘤.液基细胞学诊断是宫颈癌筛查的重要方法,但单张切片中包含数十万个细胞,病理医生阅片过程中需要对所有细胞进行判读后作出诊断,其过程程费时费力.本文研究一种基于卷积神经网络的宫颈液基细胞学癌前病变预测方法,其通过Cascade-rcnn目标检测模型学习各类病变细胞的深度特征,通过所设计的全视野数字病理图像的推理算法进一步预测整张切片的可疑细胞及其类别,通过全图特征提取,训练切片级多分类预测模型.最终所设计的算法模型,细胞检测综合MAP高于0.42,切片级多分类预测的检出率大于98％,排阴率大于60％.目的:设计深度学习模型框架对宫颈液基细胞学图像进行分析,预测阳性可疑细胞,对切片诊断类别进行预测,实现AI自动判读切片诊断类别并定位可疑阳性细胞.方法:用Cascade-rcnn目标检测框架标注并训练6种可疑细胞的检测模型,基于划窗法对整张数字切片进行全图细胞类别的预测,在此基础上提取各个种类识别到的细胞的topk值作为特征训练基于SVM的切片级分类模型.结果:在细胞检测测试集中各类细胞的MAP值为0.42,在切片分类测试集中,阳性检测率大于98％,阴性排阴率大于60％.