偏远地区的医疗资源紧缺,很多早期病变很难被发现。宫颈癌是最常见的妇科恶性肿瘤之一,HPV疫苗是一种很好的预防手段,但是,HPV疫苗多在实验环境使用,且价格昂贵。现阶段宫颈癌筛查主要依靠人工阅片,但是宫颈细胞形态复杂造成专业人员稀缺,检测过程特别容易产生假阳性与假阴性的误诊,对阅片师的专业素养和工作强度均提出了很高要求。宫颈细胞的数量与尺寸可以作为宫颈癌检测的辅助手段,流式细胞术是标准的细胞检测手段,但是流式细胞仪造价昂贵,且体积笨重,不适合即时检测。针对以上问题,提出了一种基于POCT（即时检验）的宫颈癌细胞图像检测系统,该系统主要由检测装置及相关检测算法组成,其中,检测装置包括光路模块、激发光模块、微流控芯片模块与图像采集模块构成。以该检测装置为平台,开发了新型分水岭图像分割算法和Lt Net图像分类识别深度学习框架。主要研究内容如下:第一,设计了一种基于POCT的宫颈癌细胞检测装置。利用Solid Works分别构建检测设备的光路模块、激发光模块、微流控芯片模块与图像采集模块的三维模型。根据设计尺寸要求,利用3D打印技术制作POCT整体框架,利用微流控技术完成微流控芯片模块制作,利用激光切割机完成激发光源模块的制作,建立一个多模态宫颈癌细胞的即时检测系统,既可以通过微流控芯片对宫颈细胞溶液进行计数识别,也可以识别宫颈细胞切片以便进一步完成形态分类。第二,对宫颈癌细胞进行计数识别,提出一种新型宫颈癌细胞精准计数的方法。该方法对采集的图像进行灰度变换,阈值分割和边缘检测。分别应用熵算法、OTSU阈值分割与自适应算子对图像进行二值处理对比,应用Canny算子、拉普拉斯算子、高斯拉普拉斯算子与高斯差分算子对图像进行边缘提取对比,最终选择OTSU阈值分割与高斯拉普拉斯算子边缘提取。最后,提出一种基于OTSU阈值分割、高斯拉普拉斯边缘提取算子结合连通区域法的分水岭算法,经过改进后的算法对PS小球的计数精度达到97.3%,且计算效率更高,满足设计要求。第三,对宫颈癌细胞进行形态识别,提出了一种新型深度学习分类识别网络框架。利用该装置对当地医院通过TCT制作的宫颈癌细胞切片进行数据采集,并结合公共数据集,对混合后分类图像进行插值、镜像与RGB转换、去噪、尺寸放缩、随机裁剪等预处理,依托VOC2012数据集格式,使用Label Me对图像进行人工标注,基于Alex Net、VGGNet、Goog Le Net、Res Net深度网络模型特点,提出新型分类网络Lt Net,该网络可以实现宫颈细胞自动分类。第四,搭建实验平台,对多模态宫颈癌细胞的即时检测系统进行试验验证。依据FITC的荧光特效,对实验室培养的宫颈细胞进行染色,利用该装置对微流控宫颈荧光细胞进行采样。首先,利用实验室倒置显微镜系统与该装置分别对PS小球和不同尺度的宫颈细胞溶液图像取样,通过对比证实该装置可以满足试验精度要求。其次,利用改进的分水岭分割方法对不同尺度下的宫颈细胞进行计数试验验证,试验结果与流式细胞仪进行对比,平均正确率达到98.3%,证实了改进的分水岭分割算法对细胞计数具有很好的效果。最后,通过该装置对医院处理好的宫颈细胞切片进行图片采集,通过改进的分水岭分割算法进行辅助分割与人工筛选结合,得到了宫颈细胞分类,与公共数据集混合进行预处理操作,利用设计好的新型深度学习框架Lt Net对分类细胞进行深度学习训练,通过五折交叉验证,最后得到宫颈细胞的top-5平均错误率只有3.35%,优于已知经典深度学习分类网络框架,满足试验要求,为机器自动筛选宫颈细胞提供了便利。