宫颈癌是威胁女性健康的最大杀手,每年全世界大约会新增的病例数多达数十万。其中大多数病例是发生在发展中国家,但是由于发展中国家医疗条件有限,发病致死率一直居高不下,而我国是世界上人口最多的国家,同时也最大的发展中国家,宫颈癌的发病率常年居于世界第一,宫颈癌严重危害着我国女性的生命安全,遏制宫颈癌在我国的蔓延刻不容缓。在宫颈癌的检测方法中宫颈细胞的显微图像检查是公认的最简单、最经济和最直接的方法。这种方法是通过观察宫颈细胞的显微图像,医生根据专业的医学知识可有效地判断出宫颈细胞是否病变,对宫颈癌的死亡率有着巨大的扼制作用。但是,观察宫颈细胞的显微图像需要专业的医生,我国幅员辽阔,人口众多,医疗资源的分布极不平衡,对于医疗条件相对落后的地区,专业的医疗人员少之又少,根本无法完成宫颈癌的筛查工作。同时,对于一个专业细胞检测的医师来说,由于每个人的精力是有限的,每天检查的宫颈细胞的数量会受到大大的限制,对于我国数量极大的宫颈癌发病率,其检测的效率完全无法达到宫颈癌检查的要求。同时又因为观察细胞图像的医生在长时间的工作下,不免会产生疲劳,宫颈细胞的正确检测率会大打折扣,不利于宫颈细胞的正确筛查。本文主要对宫颈癌细胞的智能分类技术进行研究,包括宫颈细胞的预处理、图像分割、特征提取和检测识别等方面。本文的主要研究工作包括:第一,研究宫颈癌细胞智能分类的研究现状及意义。第二,研究宫颈癌细胞显微图像相关理论,收集宫颈细胞图像数据集,。第三,对图像进行预处理,以提高图像的质量,分别包括了灰度化、去噪和图像增强等操作。对比传统图像的分割算法最大类间算法和分水岭算法分割效果,引入基于深度学习网络的U-net网络,先将7000张图像进行像素级标注做成数据集,最后通过改进U-net网络对细胞进行分割。第四,针对图像的分类,将传统的特征提取方法与基于深度学习的特征提取方法进行对比,选出了基于迁移学习的特征提取方法,再对比传统的分类算法与深度学习神经网络,选择出最优的分类算法为ResNet,其准确率达到了94.31%,召回率达到了90.76%,f1值为0.9243,kappa系数为0.9143。第五,对于宫颈癌细胞显微图像智能分类技术的实际应用,根据MVC设计模式,使用QT开发框架与My SQL数据库实现了集成了检测相关算法的智能化软件。