宫颈癌占据女性生殖系统肿瘤发病率的首位,随着液基宫颈细胞学筛查的推广,宫颈癌的发病率与死亡率已经逐年下降,但国内进行液基宫颈细胞学的机器辅助诊断系统却比较少。而近年来深度学习在多种领域不断产生新的突破,在各行业都产生了积极反响。卷积神经网络对图像的分类能力在一定情形下甚至超越了人类的分类能力。基于上述两个原因,本文期望借用深度学习强大的图像分类能力协助液基宫颈细胞学辅助诊断系统的智能筛查,针对的分类对象为标本描述。液基宫颈细胞标本描述的重要性并不亚于对标本诊断结果的重要性,标本描述与诊断结果的可靠性直接相关。(1).本文首先使用CIFAR-10数据集对卷积神经网络在图像上的分类能力进行评估,同时了解卷积神经网络的基本架构及卷积神经网络的迁移学习方法。(2).在实际运用卷积神经网络对液基宫颈细胞图像进行标本描述分类之前,需要收集大量的数据集。因此本文首先定义了液基宫颈细胞学中需要描述的六个重要标本类型:正常标本,细胞数少标本,菌群失调标本,炎症标本(分为中度炎症和重度炎症),萎缩性改变标本。并对先前通过自动显微镜平台采集的液基宫颈细胞图像进行标签化处理。(3).在前期卷积神经网络架构的基础上,本文设计了针对标本描述分类的卷积神经网络,对标本描述数据集进行分类训练,并对训练完成的网络进行测试及评价。通过迁移学习的方式将Alex网络结构用于标本描述分类中,并对迁移学习训练完成的网络进行测试及评价,最后对比所研究的两种训练方式的差异。实验结果表明卷积神经网络能够很好地对标本描述进行分类,达到了预期的分类效果。