随着互联网的快速发展与人们对于医疗资源和服务的需求不断提升,结合了人工智能和大数据技术的智慧医疗发展如火如荼。考虑到宫颈癌对女性健康的巨大危害以及早期筛查预防对于早期癌变检测的有效性,结合人工处理宫颈细胞样本图像费时费力的同时准确率也无法保障的现状,采用基于机器学习的宫颈细胞图像自动化处理技术具有重要的意义。针对真实环境下宫颈细胞图像存在的细胞重叠粘连较多、图像像素尺度极大、检测精度达到区域级别即可满足诊断要求的特点,结合实际应用中的需求与条件限制,本文不再沿用几年来较为流行的分割和分类相结合的思路,改为采用对于病变细胞及其附近区域的目标检测模型的方案,与传统思路中宫颈细胞图像处理技术相比较算法模型的复杂度和需要的算力、时间消耗都大大减少,极大地提高了宫颈细胞图像辅助诊断程序的速度和效率。本文的主要研究工作如下:对于卷积神经网络中的卷积核的不同构成方式和类别的作用和优缺点作出探讨和研究,将YOLOv4模型中位于颈部模块的路径聚合网络PANet模块中的部分传统卷积替换为过参数化卷积DO-CONV,增加了网络可学习的参数数量,进一步增强了模型对于不同层级特征融合时的信息抽取能力,加快了网络的收敛速度。同时在推断阶段并不增加模型的计算量和处理时间,能够有效地提高模型的检测精度。对于注意力机制在宫颈细胞图像处理技术中的作用进行了研究,提出了基于注意力机制的YOLOv4网络的改进模型,同时进一步通过实验证明了注意力机制中SE模块以及CBAM模块对于主干网络在特征提取阶段的增强效果,在m AP、准确率、召回率和F1-score等不同检测指标上都取得了较好的效果,增强了模型对宫颈细胞图像病变区域的检测能力。