宫颈癌是最常见的女性恶性肿瘤之一。相关医学研究表明,可以通过早期病变筛查降低宫颈癌发病率和死亡率,因此,癌前病变的筛查成为宫颈癌预防的关键。阴道镜检查是宫颈病变筛查的重要医疗手段之一,由于其便利性和良好的准确性,成为目前世界范围内必不可少的诊断方法。然而,传统的人工阅片方式容易造成病变诊断的漏诊、误诊以及低效等问题,且不同医师的不同临床经验易导致诊断差异性,从而降低筛查的效率。近年来深度学习在医学图像分析领域突飞猛进,在很多相关的图像分类以及图像检测任务中取得了优异的效果。本文在深度神经网络的研究基础上,针对阴道镜图像的宫颈癌前病变分类诊断任务进行了相关的研究,主要的研究内容如下:提出一种应用图像语义分割原理的宫颈病变检测与诊断方法,针对宫颈病变的CIN1+诊断建立了基于U-net的全卷积深度神经网络模型。该模型适当加深了网络深度,以编码器-解码器的形式实现了病灶区域的分割与检测,最后通过分割结果的数字图像后处理进一步实现了病变的判断。测试集的诊断结果表明,该方法可得到同高级医师相当的诊断准确性并大大提升了诊断效率。提出一种基于预训练密集连接网络的宫颈病变图像分类方法,该方法利用迁移学习技术,解决小数据集的图像分类问题及人工病灶标注问题,针对更重要的CIN2+诊断任务构建了性能更好的CNN模型。对于小数据集的神经网络训练,分析了不同预训练模型对微调训练的影响,讨论了不同训练策略、交叉验证以及数据量等超参数的设置与选择。最终分析了CNN模型诊断同人工诊断的特征差异,总结了用于宫颈病变分类模型一般训练方法。实验表明,所提出的模型可有效实现分类目标并取得了良好的效果。提出一种多神经网络决策特征集成的宫颈病变分类方法。在前面工作的基础上,采用新的数据预处理策略,在有限的数据中通过聚类的方法优化训练数据的类别分布达到优化模型训练的目的。基于交叉验证法,从数据层面和模型结构层面集成了多神经网络的模型决策特征,并根据模型输出的内外方式提出了两种集成策略,实现了分类任务的性能优化。最终在CIN2+的分类诊断中得到了进一步的优化,其诊断结果更符合宫颈癌前病变的临床筛查要求。综上,本文通过对深度学习的研究与应用,将深度神经网络与阴道镜图像分析相结合,探讨了基于深度神经网络的宫颈病变分类方法。主要从基于深度学习的图像分割、图像分类以及策略提升等方面解决宫颈病变的分类和诊断任务,从临床诊断的方向出发,不断克服人工诊断存在的缺陷以及优化计算机方法存在的问题,最终实现能更好的用于本文图像数据的深度神经网络分类方法,为在阴道镜宫颈病变分类领域实现计算机辅助诊断提供了理论依据,为进一步实现智慧医疗奠定了研究基础。