现阶段宫颈癌的发病率高,治愈率低,因此推广宫颈癌早期筛查具有非常重要的意义。传统人工阅片诊断模式下,容易出现漏诊、误诊导致医患纠纷,且诊断效率较低、工作量繁重。宫颈癌细胞自动筛查提高了宫颈癌检测的检测效率和检测精度,因此逐步成为主流的宫颈癌早期筛查检测方式。细胞DNA定量分析是宫颈癌细胞自动筛查中的核心环节,该技术通过自动分析细胞病理图像,分割出独立细胞核,并计算其DNA指数,为肿瘤诊断和鉴别提供定量分析依据。本文针对细胞学宫颈病理样本,结合Feulgen-伊红复合染色,在黑白-彩色双路成像基础上实现了基于深度学习的宫颈癌细胞自动筛查,主要的工作内容包括:首先,本文在自动分割的基础上,将传统的人工特征如细胞形态特征、灰度特征、纹理特征等与深度神经网络相结合,实现了对细胞/杂质的精确自动分类。实验表明,结合人工特征的ResNet分类网络,其分类精度明显优于支持向量机、Adaboost等传统分类器,也优于当前较为常用的深度神经网络。其次,为进一步提高检测精度,本文设计了一种基于FCN的细胞分割方法,实现了对宫颈细胞核的直接分割,得到了97%以上的准确率和召回率,为后续DNA定量分析奠定了基础。此外,针对FCN细胞分割算法存在漏检的不足,本文设计了基于Faster RCNN的细胞核精准定位分割算法。首先通过Faster RCNN精确检测出宫颈细胞区域,检测的准确率和召回率均超出98%,随后采用迭代阈值分割技术,实现对宫颈细胞的精确分割,以满足后续DNA指数的计算等定量分析的需要。最后,在通过前述算法精确检测宫颈细胞的基础上,本文完善了背景光强模型、光密度积分计算方法、DNA指数计算基准统计算法,实现了对宫颈细胞的DNA定量分析以及宫颈癌细胞自动筛查。通过大量实际病理样本的实验统计表明,本文所设计方案达到了97%以上的准确率和召回率,与现有的宫颈癌细胞自动筛查方案相比,具有更优的稳定性和准确性。该算法已应用于南京XXXX股份有限公司所开发的自动病理智能分析系统中,在数十家三甲医院开展了宫颈癌早筛业务,取得了较好的社会效益与经济效益。