妇科分泌物常规检查是最常见的妇科检查项目,该项检查的主要目的是检查阴道是否有炎症,并进一步确定炎症的类型。同时,该检查也常用于宫颈癌的初筛。临床上现有的人工检查方法耗时长,过程繁琐,重复度高,且受到检验医生的经验、疲劳度、注意力等主观因素影响。而现有的妇科分泌物细胞智能识别方法存在识别对象不全面、识别率不高、实用性较低等问题,因此,现在迫切需要一种可靠的妇科分泌物细胞智能识别方法来协助医生进行诊断工作。为此本文提出了基于深度学习的端到端的轻量化卷积神经网络框架和基于多帧均值背景建模的滴虫识别方法,用于妇科分泌物细胞的智能识别。本文主要研究内容包括以下四个方面:1.针对现有妇科分泌物细胞镜检图像数据库缺乏的问题,本文建立了一个标准数据库,该数据库拥有500多个病人样本,50000多张妇科分泌物细胞湿片镜检图像以及200个滴虫视频,为后续智能识别方法的研究提供了基础条件。2.本文提出了一种基于全卷积网络和U-net网络的轻量化卷积神经网络,以实现针对妇科分泌物细胞的多目标识别。实验证明,使用本文提出的网络训练出的模型在随机选取的多个测试集中均取得了准确率93%以上、精确度96%以上、灵敏度93%以上的结果。且在另外建立的用于妇科分泌物细胞整体评价的测试集中,在阴道清洁度的计算上与专家人工判定结果的符合率达到了96%。3.针对在静态妇科分泌物细胞图像中难以识别的滴虫,本文提出了一种适用于滴虫动态识别的多帧均值背景建模方法。实验证明,在由20个视频构成的测试集中,该方法的准确率达到了91%,能够满足临床需求。4.为了实现智能识别方法从理论研究到实际应用的过渡,本文搭建了一个用于妇科分泌物细胞智能识别的软件平台,该软件平台通过建立动态库将深度学习和背景建模整合成一个模块,从而使上位机程序能够通过动态库直接调用深度学习模型和背景建模算法进行图像识别。