宫颈癌是严重威胁女性健康的疾病。但是,宫颈癌前病变发展成宫颈癌一般需要10年或10年以上的时间。癌前病变的早期发现有利于使患者得到早期诊断和治疗,有效降低宫颈癌的发病率。研究基于深度学习的宫颈癌计算机辅助诊断方法,实现对宫颈癌的早期诊断,同时减少面对大量阴道镜图像时不必要的人力和成本具有重要的意义。本文主要工作如下:1.我们分析了国内外宫颈癌前筛查的研究现状,指出了阴道镜检查存在的问题及其原因,接着回顾了深度学习的发展历程,同时结合深度学习在医疗诊断领域的成功使用,提出基于深度学习的宫颈癌计算机辅助诊断方法。2.对实验数据进行处理,主要包括感兴趣区域提取和镜面反射移除。首先剔除了大量重复、质量不佳甚至与疾病诊断不相关的阴道镜图像。接着在阴道镜专家帮助下对实验数据进行标注,训练医学图像分割网络——U-Net,对宫颈癌诊断感兴趣区域进行提取。其次挑选存在镜面反射的阴道镜图像进行镜面反射移除。3.对比扩容实验选出针对阴道镜图像更好的扩容方案,并在此基础上训练深度残差网络对扩容8倍的实验数据进行分类,实验最后取得了测试集上69.39%的分类精确率,比Navdeep等的实验结果有7个百分点的提升。4.最后基于注意力机制训练简单网络对阴道镜图像进行分类。本文针对阴道镜图像提出了3种注意力区域生成的策略,接着对比实验选出效果最好的策略对阴道镜图像进行分类,结果显示在注意力机制的帮助下,网络的分类效果有一定的提升。基于深度学习的宫颈癌计算机辅助诊断可以有效减少面对大量阴道镜图像时不必要的人力和成本,同时可以为医生提供适当的参考,为确诊和进一步治疗提供更为充分的依据,从而指导医生对患者采取适当的诊断和治疗,减少宫颈癌的发生率。