宫颈癌是严重威胁女性健康的重大疾病之一,对宫颈癌的早期筛查和诊断是提高治愈率的关键。现有的宫颈癌自动筛查方法多是基于巴氏涂片中宫颈细胞图像进行病理分析,识别出其中是否存在异常病变细胞,从而得出诊断结论。但由于宫颈细胞病理图像中存在的细胞数量及种类繁多、堆叠情况严重且图像背景复杂,使得细胞识别效率低下,误检、漏检现象频发。针对上述问题,本文基于数字病理和计算机技术对宫颈癌细胞的自动诊断展开研究,提出基于YOLO网络的宫颈异常细胞检测与识别方法,针对7种异常病变细胞,改进YOLOv3网络算法,实现细胞的自动检测和识别。论文的主要工作如下:(1)针对宫颈鳞状上皮细胞和腺上皮细胞,搭建了显微镜宫颈细胞图像采集系统,实现细胞图像的采集、拼接和预处理,并对其中的细胞图像拼接和细胞图像预处理技术进行改进。在图像拼接算法中,利用改进的SURF算法提取出重叠区域的图像特征,提高鲁棒性,增加提取的特征量。在图像预处理过程中,针对细胞图像背景复杂的特点,改进小波阈值去噪法中阈值函数的选取,在保留更多图像信息的同时获得更好的去噪效果。(2)为了增强网络的泛化性以及特征提取能力,本文对面向宫颈异常细胞数据集的YOLOv3网络结构进行优化。在原始特征提取网络Darknet-53的基础上,融入密集卷积网络的思想,实现网络层级间信息融合,提升特征表达能力;并引入S3Pool替换原网络中的池化层,提升模型对细胞特征的泛化能力。在细胞图像测试集上取得了较高的准确率和召回率,SCC和EA的识别的平均精确率提升8.05%和7.06%。(3)为了提升模型检测精度,提高对图像中被遮挡细胞的检出效果,本文对基于细胞数据集的YOLOv3模型训练方法进行优化。首先,本文通过改进的无监督聚类算法Kmeans++对细胞数据集的目标框进行聚类分析,设置合理的先验框尺寸及数量。其次,在原始网络损失函数基础上,引入Focal Loss以及均衡交叉熵函数,对损失函数中的置信度损失函数以及类别预测损失函数进行改进,提升模型在前后景不均衡及细胞类别不均衡情况下的检测效果。接着,利用线性衰减的NMS算法对模型进行后处理,提升细胞在遮挡情况下的检测精度。实验验证表明,模型训练优化后网络损失函数值降低约50%,平均精确率提升3.03%。(4)基于本文研究内容,设计宫颈癌辅助诊断系统,识别细胞图像并给出分析报告,辅助医生的后续诊断与治疗。图47幅,表6个,参考文献70篇。