宫颈癌是成年女性生命健康的严重威胁,如果能够在宫颈癌病变早期接受有效治疗,宫颈癌有着极高的治愈率。因此,在成年女性群体中进行定期的宫颈癌筛查对于宫颈癌的防治有着重要意义。当前早期筛查工作的主要方法是宫颈细胞涂片的病理学检查。在筛查过程中,主要是依靠病理医生在显微镜下观察,从细胞涂片图像中寻找是否存在异常细胞。这种筛查方式一方面工作量巨大,费时费力。另一方面也要求病理医生具有丰富的经验以及较高的技术水平。因此,实现基于图像处理技术的宫颈细胞图像识别有着重要的现实意义。本文的研究对象是基于宫颈细胞涂片技术获取的宫颈细胞图像。研究内容主要包括宫颈细胞分割和宫颈细胞分类两个方面。在宫颈细胞识别过程中准确的分割细胞质和细胞核能够为诊断和治疗提供依据,而细胞的分类识别能够直接判断是否存在异常细胞。具体研究内容包括:（1）针对存在重叠区域的宫颈细胞图像,设计了一套基于分水岭算法的细胞分割算法组件。在细胞核的分割中,使用包括三角形阈值分割、椭圆拟合算法在内的一系列形态学处理,获取细胞核的分割结果。在重叠细胞质的分割中,重新设计了基于欧氏距离变换和测地距离变换的标记函数,并通过H-minima变换,减少了重叠宫颈细胞分割中过分割和欠分割的可能,实现了重叠细胞质的分割。（2）运用深度学习算法进行单个宫颈细胞图像的分割,在经典医学图像分割网络U-Net网络模型的基础上,引入卷积残差模块,使用经过预训练的ResNet34网络作为编码结构,提高了U型网络结构的图像特征提取能力。同时,为了进一步提高在细胞图像边缘的分割效果,引入了基于全连接条件随机场模型的后处理方法,进一步提升了细胞分割精度。（3）在宫颈细胞图像的多分类任务中,对比了经典分类网络在宫颈细胞图像分类任务中的表现。以ResNet50为例,验证了迁移学习在宫颈细胞分类任务中的有效性。同时,采用数据增强、测试增强、标签平滑和投票融合的方法,提高了宫颈细胞图像的分类精度。