近年来，随着宫颈癌发病率越来越高，人工判别宫颈细胞图片的方法不仅消耗时间，而且工作量大。随着人工智能的发展，基于机器视觉的细胞图像识别方法引起了许多学者的关注。细胞图像处理的关键是细胞边缘的提取，而细胞图像中存在重叠、细小颗粒杂质的复杂现象，采用机器识别方法无法获取细胞的精确边缘，或存在虚假边缘的可能。另外，传统的图像识别方法需要提取大量的图片特征，冗余特征不仅增加计算量且容易引入干扰，这降低了细胞识别的准确性。
　　针对这些问题，本文提出了改进的AGVFSnake(Adaptive Gradient Vector Flow)模型用于细胞形态特征的提取。首先用改进的Canny算法初始定位细胞的轮廓，然后采用自适应的初始轮廓模型和梯度矢量模型来获取精确的细胞边缘，以更好地从形态特征上区分正常与异常细胞。
　　为了提取准确有效的特征，本文提出一种基于特征选择算法的机器学习方法用于宫颈细胞分类研究。首先，本文引入了分类和回归树算法(Classification and Regression Trees, CART)用于细胞的特征选择，降低了输入特征属性的维度。其次，本文采用了粒子群算法(Particle Swarm Optimization，PSO)对分类器支持向量机(Support Vector Machine，SVM)的超参数进行优化，建立了PSO-SVM模型对宫颈癌细胞分类。最后引入Herlev数据集建立宫颈癌细胞分类模型，观察宫颈细胞二分类和七分类的准确率，并引入6种宫颈癌细胞的分类和诊断方法进行仿真比较，仿真结果表明本文提出的算法可以提取精准有效的特征并具有较高的识别精度。
　　另外，基于InceptionV3本文提出了卷积神经网络与人工特征提取相结合的方法对宫颈细胞进行分类，达到了98%以上的分类效果,并且有效缩短了细胞识别所用时间。本文提出的算法复杂度较小，结构简单，高效准确，能够进一步应用到宫颈癌细胞的分类中，从而为宫颈癌疾病诊断提供了一套有效的方法框架。