深度学习是人工智能领域发展的一个不可或缺的部分,并且大量应用在语音识别、图像识别、人脸识别等各个方面,深度学习逐渐成为图像识别方面的一个研究重点,日前,对宫颈癌细胞图像的识别等大部分隶属于浅层学习,但是浅层学习对比较抽象一点的函数拟合能力明显不足,而且宫颈癌细胞之间存在复杂性和差异性并且组织器官常呈现不规则的状态,加之宫颈癌细胞数据之间具有高阶统计的性质,致使宫颈癌细胞之间存在很多的繁杂信息。因此本文深入研究了卷积神经网络模型,并且对其中的算法做出了改进,将基于卷积神经网络的改进算法应用在宫颈癌细胞图像的识别中。图像识别的准确性取决于取特征提取准确性的高低,因此,图像识别研究的主要内容是对图像进行特征提取并正确预测其分类,本文提出了一种基于卷积神经网络的改进算法,该算法是基于VGG-16搭建的卷积神经网络框架,通过对下采样过程中的池化算法进行改进,具体是在下采样过程中对池化域内的每个元素分配合适的权值得到下采样特征图,可以克服最大池化算法造成的关键特征丢失的问题和平均池化算法造成的较大特征值被弱化的问题,从而使不同池化域都能够提取到较准确的特征。将改进池化算法应用在宫颈癌细胞图像的识别中,实验结果表明,本文提出的基于卷积神经网络的改进算法提高了对宫颈癌细胞图像的识别准确率,识别准确率可以达到95.61%。本文搭建了一个残差神经网络框架,并对其中的梯度下降算法进行了分析和改进,提出了一种基于残差神经网络的改进算法,该算法通过对随机梯度下降算法加入动量的思想,使得参数更新不全依赖于以前的梯度,进而消除噪声的影响;每次更新参数时随机选取若干组样本进行迭代,防止解陷入局部最优。将改进的梯度下降算法运用在宫颈癌细胞图像的识别中,实验结果表明了本文提出的基于残差神经网络的改进算法具有较高的识别率,从而降低了对宫颈癌细胞图像的识别错误率,对宫颈癌细胞图像的识别准确率可以达到96.83%。综上所述,本文提出的两种改进算法对宫颈癌细胞图像的识别率都有不同程度的提高,所以,将深度学习运用在宫颈癌细胞图像的识别中具有广阔的发展前景。