宫颈癌是妇科最常见的恶性肿瘤,也是恶性肿瘤中唯一病因明确、可以早期预防和治疗的癌症。细胞学检查是目前最常见的早期宫颈癌筛查技术。由于人口众多,自动化阅片成为满足我国妇女定期宫颈癌筛查需求的必要条件,研发计算机辅助阅片系统迫在眉睫,其中最关键的一个步骤是从宫颈细胞学图像的海量细胞中快速准确地定位异常区域。本文提出了基于卷积神经网络和迁移学习的宫颈细胞学图像异常区域检测算法。首先设计了基于卷积神经网络的宫颈细胞学图像异常区域检测框架,框架分为三大部分:特征提取子网络、区域粗检测子网络和区域精检测子网络。特征提取子网络主要负责提取相关特征向量。本文根据宫颈细胞图像的目标面积较小、尺度敏感等特点设计并实现了能够精准提取宫颈细胞图像高层语义信息和底层细节信息的特征提取子网络。区域粗检测子网络负责从原图中产生尽可能多的目标候选区域。区域精检测子网络采用全卷积网络结构,对候选区域进行精准的再分类和位置回归,其中针对宫颈异常区域的尺度敏感特点,提出了尺度敏感的感兴趣区域池化层。最后,本文还提出了一套改进的评估方案,强调了宫颈细胞学图像异常区域检测中的定位准确度。为了解决不同批次宫颈细胞学图像数据存在差异的问题,本文还提出了基于迁移学习的宫颈细胞学图像异常区域检测算法,其中迁移学习模块采用多层级域适应方法,从图像级、区域级和RoI级三个不同层次实现域适应。同时,在区域级域适应模块中本文利用注意力机制突出区域级域适应的差异性,继而根据图像不同区域的可迁移度进行不同强度的域适应。本文分别设计并完成了基于卷积神经网络的宫颈细胞学图像异常区域检测实验和基于迁移学习的宫颈异常区域检测实验。基于卷积网络方法的实验部分设计了不同特征提取子网络的对比实验,验证不同阈值的实验以及数据增强的效果影响实验等。在基于迁移学习方法的实验部分设计并实现了算法效果对比实验,和针对多层级域适应模块的消融实验。实验结果表明,本文提出的算法能够满足临床宫颈细胞学检查的需求,相比其他算法,性能得到了有效提升。