宫颈癌是女性常见的恶性肿瘤,已经严重威胁到女性的生命健康。早发现、早诊断、早治疗是降低宫颈癌患病率的最好途径。随着国家“两癌”筛查的普及,日益增加的宫颈细胞学涂片给医院带来了巨大压力。人工阅片不但工作强度大,而且由于判读的主观性容易造成漏诊或误诊。因此,宫颈细胞学图像分类算法研究对宫颈癌筛查有着重要的学术价值与社会意义。宫颈细胞学涂片图像存在类间差异小、标注图像难以获取等问题,给宫颈细胞学涂片图像智能化分类带来了巨大的挑战。虽然相关研究取得了一定的进展,但现有算法仍存在泛化性能较差、准确率低等问题。本文将深度学习方法应用于宫颈细胞学涂片图像分类,重点从迁移学习、知识蒸馏、多出口网络集成等三个方面展开研究。具体工作总结如下:（1）提出一种多源迁移学习和通道蒸馏结合的迁移方法。针对标注的宫颈细胞学图像数据不足、模型分类性能差的问题,该方法不仅能迁移多个不同源域数据之间的通用特征,而且能利用不同模型的中间层通道特征和输出层的未归一化概率作为知识,实现模型与模型之间的知识迁移。实验表明,该方法能有效降低训练成本,并将Res Net18的分类准确率提高了3.35%。（2）提出一种改进多出口集成的宫颈细胞分类网络。学生网络由于“容量”有限,难以学会用于正确分类宫颈细胞的所有特征,导致模型泛化能力差。针对该问题,本文引入了多出口分类网络,构建不同深度的多出口网络对宫颈细胞分类。同时,在每个分支网络中嵌入全局上下文模块和自蒸馏算法提高出口分类器的性能,最后使用集成策略平均多出口的性能差异,达到了97.22%的测试准确率。（3）提出一种新的师生协同蒸馏方法用于宫颈细胞图像分类。传统知识蒸馏方法关注教师网络的先验知识,而忽略了学生网络自学能力。基于此,本文在多源迁移学习和通道蒸馏的基础上,将改进的多出口网络作为学生网络,并构建知识蒸馏和自蒸馏结合的协同蒸馏损失函数,实现对宫颈细胞分类网络协同优化。该方法充分利用了两种方法的性能,提高了网络的分类精度。为了获得一个强大的分类器,在测试阶段使用集成对学生网络中多个子模型的预测概率进行融合。最后,分别在宫颈细胞和自然图像数据集上,使用不同的师生模型上进行广泛实验,验证了方法的有效性和鲁棒性。