宫颈癌是最常见的妇科恶性肿瘤之一，宫颈细胞学筛查是宫颈癌筛查的重要方法。然而，传统的人工筛查工作量大、耗时耗力，准确率易受医生专业技术水平和主观情绪的影响。近年来，深度卷积神经网络(Deep Convolutional Neural Network, DCNN)的快速发展，为宫颈细胞学(cervical cytolgoy)的自动筛查提供了新的解决方法。然而，已报道的深度卷积神经网络在宫颈细胞辨识中主要执行分类功能，定位和分割能力不足，且分类能力也有待进一步提升。因此，提升深度卷积神经网络在宫颈细胞学检查中的分类、定位、分割性能，是当前急需解决的主要问题。
　　为此，本论文对基于深度卷积神经网络的宫颈细胞学检查的自动辨识进行了探讨，本文以巴氏涂片标注及细胞学自动辨识方法入手，探讨基于深度卷积神经网络的宫颈细胞学自动筛查系统的的临床应用价值。
　　论文的主要研究成果和结论包括：
　　(1)针对Herlev数据集提出了一种自动标注算法，可以自动标注宫颈细胞的轮廓和边框。
　　(2)提出了一种宫颈细胞自动辨识方法，显著地提升了宫颈细胞自动辨识的性能。该方法包括3个主要模块：数据增强(data augmentation)、训练集均衡(Training Set Balancing, TSB)和深度卷积神经网络。其中，数据增强模块联合使用了7种数据增强方法。我们的实验结果表明，联合使用这些数据增强方法，其性能(平均精确度均值meanAveragePrecision，mAP:78.7%；平均召回率均值meanAverageRecall，mAR:83.3%)超过了所有单一使用这些方法的性能；训练集均衡模块使得训练集中各个类别的宫颈细胞图像的数量均衡，结果显示，训练集均衡能进一步提升网络的细胞辨识性能，并且它对鳞状上皮轻度非典型增生(mild squamous non-keratinizing dysplasia)的影响较小，对中层鳞状上皮(intermediate squamous epithelial)的影响较大。本论文采用了深度卷积神经网络模块的Dense-CascadeR-CNN，与其他网络的对比实验显示，本文的网络Dense-CascadeR-CNN能够显著提升宫颈细胞学辨识性能，mAP和mAR分别达到了97.9％和98.8％。
　　(3)分别采用人工筛查和本论文的系统对巴氏涂片进行自动筛查，两者结果的差异不具有统计学意义(χ2=4.444，P=0.62)。此外，系统自动筛查的总筛查时间和平均单张涂片检测时间远小于人工筛查的总筛查时间和平均单张涂片筛查时间，约为1/150，此自动筛查系统在宫颈细胞辨识中有较重要的应用价值。
　　综上所述，本论文的宫颈细胞自动辨识方法可以用作宫颈癌筛查的辅助诊断工具，从而促进人工智能辅助的宫颈细胞学筛查在宫颈癌诊疗中的临床应用。