宫颈癌作为女性致死率极高的四大癌症之一,是一种确定病因且早期治愈性极高的疾病,进行宫颈癌早期癌前病变的普遍筛查和治疗对宫颈癌的防治起着重大作用。宫颈细胞学检查作为宫颈癌早期筛查中最主要的途径,需要专业医生进行人工分类诊断,但由于目前相关专业人才匮乏而无法满足进行大规模筛查的社会需求,且高强度的工作会影响人工分类诊断的准确度。因此,利用计算机实现宫颈细胞图像的自动化分类研究有着重大价值和意义。现有宫颈细胞自动分类领域的研究方案主要分为两类:传统算法和深度学习算法。传统算法流程包括细胞分割、人工特征选择、细胞分类。因人工选取特征需要研究者花费大量时间进行参数调整,所以大多数传统算法进行分类研究时,仅将宫颈细胞分为正常细胞和异常细胞两类,虽然可以为医生的判断提供一定的参考,但是对于病情的判读需要更多的信息,例如宫颈细胞的病变类别和病变程度。深度学习的方式因其自动提取特征的能力以及不受细胞分割精度和人工特征提取完善度的影响成为了目前的主流研究方法。本文主要研究内容为使用深度学习的算法对宫颈细胞图像实现多类别准确自动分类,所用数据集为Herlev数据集和SIPa KMe D数据集,具体工作内容如下:（1）不同的算法因其结构的不同而具有不同侧重点,本文选取了基于深度的多路径卷积神经网络Dense Net121和基于宽度的多路径卷积神经网络Xception分别对Herlev数据集和SIPa KMe D数据集两个数据集进行多分类实验。在实验中首先针对宫颈细胞特点进行数据扩增;然后根据网络各自的特点对单个网络进行改进,如在Dense Net121模型中引入了Drop Block模块增强算法抗过拟合的能力,在Xception模型中引入了SE（Squeeze-and-Excitation）模块增强其进行宫颈细胞特异性特征提取的能力。通过在两个数据集分别使用Dense Net121改进模型和Xception改进模型进行多分类实验的实验结果表明,相对改进前的网络,模型的分类效果均有不同程度的提升,且在两个数据集进行多分类实验的总分类准确率都达98.5%以上。（2）为增强算法特征提取的多样性,融合不同算法的优点,本文对改进后的Dense Net121网络和改进后的Xception网络输出的特征图进行拼接构建双流网络DXNet。实验结果表明DXNet与其他融合方案的相比其融合方案为最优融合方案,且分类效果优于融合前的单个网络。DXNet在两个数据集上分别达到了99.84%和99.88%准确率,各性能指标也均有良好表现,在目前的宫颈细胞多分类算法中具有较高识别率。