近年来,宫颈癌严重威胁着全球成年女性的生命健康问题。宫颈癌作为最常见的妇科恶性肿瘤之一,也是世界上女性最常见的第四种癌症。如果能在早期发现宫颈癌,则可以有效治愈,因此定期宫颈癌筛查可以显著降低宫颈癌的发病率以及死亡率。宫颈细胞学检查是预防和发现早期宫颈癌最常见的筛查手段之一。病理医生需要在显微镜下观察涂片上的细胞识别出病变细胞,凭借经验做出诊断。这种筛查方式工作量巨大,因此计算机辅助宫颈细胞学筛查逐渐成为研究热点,这对病理医生进行宫颈癌早期诊断具有重要临床意义和应用价值。作为计算机辅助宫颈细胞学筛查中的核心问题,宫颈细胞分类旨在根据TBS诊断标准对正常和异常宫颈细胞做自动分类。传统的宫颈细胞分类方法依赖于人工设计的细胞特征,需要选择出合适的特征和分类器进行细胞分类,且分类结果会受到特征和分类器的影响。随着深度学习的迅猛发展,深度学习被应用于宫颈细胞分类中,基于卷积神经网络的宫颈细胞分类方法能够自主地学习到宫颈细胞图像中的高层特征,避免了特征选择以及分类器选择对分类结果的影响。本文基于卷积神经网络对宫颈细胞图像分类方法开展应用研究,旨在利用卷积神经网络提取出宫颈细胞图像中的鉴别性特征,主要工作如下:（1）综述了基于卷积神经网络的宫颈细胞病理图像分类的代表性方法,并总结分析了这些方法的优缺点。（2）提出基于多注意力机制融合的宫颈细胞分类方法。从通道域、空间域以及上下文信息三个角度采用多注意力机制融合增强宫颈细胞特征表示的能力,利用通道注意力建模特征图各通道的重要程度,空间注意力用来实现空间维度的特征增强,最后再引入自注意力从上下文信息的角度捕获特征之间的远程依赖关系。同时,通过融合多尺度的特征进行特征之间的互补,提高了宫颈细胞的分类准确率。（3）提出了基于交叉视觉Transformer的宫颈细胞图像分类方法。一方面,通过使用交叉融合的视觉Transformer提取不同尺寸宫颈细胞图像下的全局特征信息;同时,引入了多头自注意力模块中的自注意力图计算方法,增强各自注意力模块之间的特征多样性。另一方面,将细胞的卷积神经网络特征与交叉视觉Transformer特征进行融合,实现了细胞局部与全局特征的联合描述,增强了宫颈细胞的特征表示能力。