宫颈癌是威胁女性健康的一种发病率极高的妇科恶性肿瘤疾病,对宫颈细胞的研究分析有助于宫颈癌诊断具有重大的意义。对于准确的显微细胞图像的检测与分类能直接辅助临床医生进行阅片。伴随着当今自动化、信息化与智能化的发展和经济的快速发展,人们越来越重视身体健康问题,也希望可以快速诊断所存在的问题。但由于宫颈脱落细胞图像复杂多变,而现有的基于深度学习的宫颈癌细胞识别存在检测识别率低下,检验时间长等问题。因此,优化识别网络结构对女性健康问题起到了关键作用,而且这项工作具有一定的挑战性和研究价值传统的宫颈癌识别算法主要有基于支持向量机和基于级联多分类器融合。这些算法在实际应用期间较为复杂,且会受到其他外部因素影响使得检测结果与真实场景要求不符。如今,基于深度学习的识别技术成为热门研究的课题,也是机器学习领域的核心,广泛应用于各个场景并取得显著成果。本课题研究的主要方向为基于深度学习的目标检测算法,通过分析选取的基础模型为SSD模型,该模型精准度与检测速度方面相对较高,在该模型的基础上进一步的改进,从而达到宫颈癌识别的预期效果。本文的主要工作内容和创新点如下:1、针对没有公共宫颈癌细胞数据集提供给网络训练这一问题,首要的工作是进行宫颈脱落细胞的显微图像采集,再根据医学上癌变宫颈上皮细胞和正常宫颈上皮细胞的界定,使用label Img软件对宫颈脱落细胞进行标记,以.xml文件的格式存储目标细胞的位置信息和种类信息。2、基于SSD模型运用浅层网络特征信息对目标对象预测,在此期间会由于缺少深层语义特征而面临其他问题。由于受FPN(Feature Pyramid Networks)模型中采用Bottom-top和Top-bottom两通路的特征融合模式受到启发而设计连接模块,并经过大量实验提出基于三个特征卷积模型间对Bottom-top和Top-bottom特征融合,该特定卷积层分别为Conv3＿2、Conv4＿3及Conv5＿2,通过结合bottom-up与top-down方法获得较强的语义特征,提高目标检测在数据集上面的性能。实验结果表明,改进后的SSD模型在宫颈癌细胞识别上检测精确度提高了2%。3、针对重叠宫颈上皮细胞容易造成漏检这一问题,本文在SSD模型加入FPN网络结构的基础上,将soft＿nms算法替代非最大抑制算法,通过soft＿nms中的一个衰减函数降低置信度,如果只有一小部分细胞面积重叠,则它原有的置信度不会受太大的影响,soft＿nms对现有物体检测算法在多个重叠物体的平均准确率有显著提升,这样可以避免检测结果出现假阳性,避免漏检情况发生。最后以实验方式对比其他三种算法识别宫颈癌细胞性能优势,根据实验结果显示,已改进模型在性能上相对更显著。