宫颈癌是一种常见的妇科恶性肿瘤,其发病率和致死率仅次于乳腺癌,在全世界上每年约有50万的宫颈癌新发病例,其中我国每年新发病例达14万,约占世界宫颈癌新发病例的28.8%,因此宫颈癌的防治工作及其重要。宫颈癌具有较长癌前病变阶段,早发现早治疗可以有效提高其治愈率[1]。宫颈细胞学筛查是目前最常用且有效的宫颈癌检测手段之一,由病理医生于显微镜下完成,但其存在效率低下、费时费力、诊断结果主观性强等问题。随着计算机辅助诊断技术的发展,使得宫颈细胞学辅助诊断成为可能,它能够在提高诊断效率、降低诊断成本、将医生从繁重的劳动中解放出来的基础上提高诊断结果的客观性,因此具有较大的社会实用意义。本论文面向宫颈细胞LCT病理图像,致力于开发一套宫颈细胞学辅助诊断系统,该系统主要基于细胞定位和细胞分类两个核心步骤实现对异常宫颈细胞的识别。本论文细胞定位方法首先使用SURF算法产生候选细胞核定位点,然后基于K-means等算法对候选细胞核进行后处理,最后使用卷积神经网络对候选细胞核进一步筛选,从而实现对所有细胞核的精确定位。该方法于ISBI2014及ISBI2015宫颈细胞图像数据集上取得平均F1分数达95.48%;本论文细胞分类方法结合宫颈细胞学背景知识以及病理医生的诊断方式而提出“组内参考特征”的概念,并以卷积神经网络为基础提出一种能够提取组内参考特征的神经网络模型Igr Net,用于宫颈细胞的分类。对照实验显示,该分类方法在公开的Herlev数据集以及私有数据集上均明显优于传统SOTA方法,特别是在私有的Landing TBS数据集上,Igr Net模型的F1分数指标达到0.9597,高于传统SOTA方法超过2.5个百分点。本论文基于如上方法设计并实现了一套宫颈细胞学辅助诊断系统,该系统能够实现对宫颈WSI病理图像中宫颈细胞自动定位并分类,然后通过统计各类别宫颈细胞的数量分布,并生成辅助的标准TBS诊断报告,从而能够有效地提高病理医生的诊断效率。最后对本论文的工作进行了总结与展望,并罗列了未来可能的几个改进方向。