宫颈癌是女性中最常见的第二大癌症,每年有超过250,000个死亡病例,尤其在发展中国家,每年都有大量的新增病例,而这其中有四分之一左右来自于中国。虽然宫颈癌发病率高,但是幸运的是,宫颈癌在初期有一个相对较长的病变期,使得早期的筛查以及及时的治疗能够在很大程度上增加治愈率,因此宫颈癌筛查对于女性健康非常重要。宫颈癌的筛查方法有很多种,最常用的一种方法是巴氏涂片检测,然而这种方法依赖于人工阅片,而这种人工阅片的方式会产生一系列问题,比如使得工作医师工作量大,筛查的成本极高,筛查结果的可靠性和准确性受到工作医师的专业技术和主观情绪的影响等。因此将计算机技术和宫颈癌筛查相结合的自动化筛查研究对于宫颈癌的防治有重要意义。宫颈癌的自动化筛查技术主要分为五步,分别是宫颈细胞图像的预处理、分割、特征提取、特征选择和分类识别。在宫颈癌的自动化筛查技术的研究中,很多的研究将重点放在了图像分割和特征提取中,并取得了很好的效果。但在特征选择和分类识别方面,研究工作仍有不足,因此,本文的研究主要是针对宫颈细胞图像的特征选择和分类识别。本文的第一个研究重点是提出一种基于ReliefF特征选择和随机森林分类识别的宫颈细胞自动分类方法。在特征选择阶段,利用ReliefF方法对Herlev数据集中的20维特征进行权重排序;在分类阶段,随机森林方法将Herlev数据分为两大类:正常细胞和异常细胞,并利用不同维数的特征训练分类器。经过交叉验证后,实验结果显示随机森林方法在前13维特征时取得最好的分类效果,并且优于朴素贝叶斯方法、C4.5方法和逻辑回归方法。大部分已有的研究都是基于训练数据和测试数据的概率同分布假设前提,然而在实际的应用中,宫颈细胞数据的分布可能受到地域、年龄等因素的影响,使得原有的分类器不能很好地适应新的测试数据,从而造成分类结果有一定的偏差,因此本文的第二个研究重点是将迁移学习引入到宫颈细胞的分类中。迁移学习方法在训练分类器时,可根据宫颈细胞实际的分布对分类器进行调整,使分类结果更贴合实际。本文实现了两种迁移学习方法在宫颈细胞上的分类:第一个方法是基于偏差更正的宫颈细胞分类方法,该方法根据源域和目标域数据的分布,从源域中选择出更接近目标域的数据,然后将其加入目标域得到新的训练数据集,并在新的数据集上建立新的分类模型,使其更适合目标域。第二个方法是基于多模型局部加权的宫颈细胞分类方法,该方法利用目标域中数据样本的分布对基础分类器设置不同的权重,并将多个带权重的基础分类器构造成一个强分类器。通过交叉验证的实验方式对提出的两种方法进行实验,实验结果显示这两种迁移学习方法在宫颈细胞的分类识别中都能够取得很好的分类准确率。