宫颈液基薄层细胞学检测（Thinprep cytologic test,TCT）是进行宫颈癌筛查的重要途径。目标检测算法可以辅助医生对TCT切片中的病变细胞进行定位及分类。但是,训练数据中的缺失标注、训练样本的类别不平衡以及切片中的细胞数量巨大而且特征不统一,导致现有的算法在检测TCT切片中的病变细胞时性能受限。针对这些问题,本文提出了对应的解决方案。工作总结如下:（1）针对缺失标注在网络训练中引起的标签噪声问题,提出了一种面向缺失标注的TCT病变细胞检测方法。该方法是对现有的目标检测网络训练流程的改进,将本文提出的名为标签校正网络的模块集成到目标检测网络中。在训练过程中,标签校正网络根据设定的规则对训练样本的标签进行校正。在TCT数据集和自然图像数据集上分别进行了实验,证明了本文所提出的方法在包含缺失标注的训练数据上可以有效的提升检测模型的性能。（2）针对训练数据类别不平衡造成网络对病变细胞的检测性能受限的问题,提出了一种面向类别不平衡的TCT病变细胞检测方法。该方法从两个角度出发,其一,利用本文提出的基于实例复制的数据扩增方法提升网络在训练过程中对病变细胞特征的关注程度,其二,通过结合补充熵的损失函数对网络的训练过程进行优化,提高了模型在少数类病变细胞上预测的鲁棒性。通过实验证明,本文所提出的方法有效的提升目标检测网络在TCT图像上的性能表现。（3）针对大量的假阳性检测结果导致的无法对阴性切片进行有效初筛的问题,提出了一种基于级联网络的TCT阴性切片初筛算法。级联网络由两部分组成,分别是检测网络和细粒度特征挖掘网络,其中细粒度特征挖掘网络通过学习检测网络输出的假阳性结果的特征,在对切片进行分析时,过滤掉检测结果中的假阳。最后根据切片中检出的病变细胞的数量,完成对切片阴阳性的分类。通过本文所提出的算法对切片进行分类时,在保证敏感性为100%的条件下,特异性可以达到27.3%。综上,本文分析了目前制约目标检测类辅助诊断方法落地时性能受限的因素,提出了对应的解决方案。致力在辅助提高病理医生诊断准确率的同时减少医生的工作量,切实促进我国宫颈癌筛查工作的顺利进行。