宫颈细胞图像的分类研究对宫颈癌的早期检测和治疗有着重要的意义。为了满足宫颈细胞图像分类的需求,推动卷积神经网络在其中的应用逐渐成为了热门研究课题。由于自身发展的限制,现有的宫颈细胞图像分类卷积神经网络存在着数据训练有效性偏低、训练速度不足等问题。针对卷积神经网络在宫颈细胞图像分类中存在的应用问题,本文通过分析宫颈细胞图像分类的国内外研究现状,对宫颈细胞图像分类的特点和方法进行了总结,并对卷积神经网络在宫颈细胞图像分类中的应用现状进行了探讨。在此基础上,本文通过研究卷积神经网络的理论,介绍了其应用方法,并对卷积神经网络的基本结构和正向、反向的传播过程进行了总结。同时,本文通过分析卷积神经网络的常用结构,利用卷积神经网络进行宫颈细胞图像分类训练的深度学习方法进行了总结。在此基础上,本文设计了一种基于嵌套残差网络的宫颈细胞分类方法,详细介绍了嵌套残差网络的细胞分类总流程和网络结构的设计原理,并建立了实验模型。通过实验分析对比,验证了基于嵌套残差网络的宫颈细胞分类相比传统的分类方法在分类有效性等方面的提高等。但基于嵌套残差网络的宫颈细胞分类方法在训练速度等方面存在一定的缺陷。为了改善此问题,本文提出了基于改进M-ResNet网络的宫颈细胞分类方法。在M-ResNet网络的基础上,将激活函数改进为EReLU函数,从而实现了网络训练速度提升的目的。为了进一步提高识别率,本文将优化后的网络与多通道卷积神经网络相结合。改进后的实验模型可以提供一种高速有效的宫颈细胞图像分类方法,对宫颈癌的早起诊治有着很好的帮助。