相关统计数据显示,世界范围内宫颈癌的发病率在女性恶性肿瘤中排名第四位,早期筛查,对于降低宫颈癌发病率和死亡率,挽救患者的生命,具有重要意义。目前,宫颈癌的早期筛查主要依靠人工进行。病理医生需要在一张包含数千个宫颈细胞的涂片上通过肉眼观察,寻找癌变细胞。在大型医院中,病理医生每天要处理上百个类似的细胞涂片,存在较大的漏诊风险。针对该问题,本文提出了新的宫颈癌细胞识别方法,建立了包括75个特征的多参量融合判别模型,开展了使用机器学习进行宫颈癌细胞识别的相关研究,为开发智能化宫颈癌细胞识别系统打下了基础,具体研究内容如下:（1）建立了宫颈癌细胞多参量融合识别模型。分析了不同类型宫颈细胞所具有的不同特征,为了在识别模型中充分体现这些特征并描述不同类型细胞的特点,总结了几何、纹理与色度三大类参量。识别模型首先对于从细胞图像中提取到的三大类参量信息,进行特征降维,以去除其中的噪音信息,提升信息密度,之后使用机器学习中的分类算法,根据降维后的参量信息对宫颈细胞所属类别进行判断。最后分析和确定了宫颈癌细胞多参量融合识别模型的具体判别方法。（2）实现了宫颈细胞图像中细胞核、细胞质与背景的自动分割。使用1834张宫颈细胞图像,训练了神经网络。针对本文使用的宫颈细胞图像尺寸大小不一的问题,改进了神经网络中的部分参数。训练完成之后,神经网络可以实现目标图像中细胞核、细胞质与背景的自动分割功能。（3）进行了宫颈细胞的特征提取与降维。由于使用神经网络分割后的宫颈细胞图像可能存在微小孔洞,使用Open CV,对分割完成之后的图像进行闭操作,以平滑轮廓边缘,填充前景区域的微小孔洞。实现了图像的轮廓探测功能,针对部分图像中可能存在轮廓探测失败的问题,优化了轮廓探测过程。对于提取到的特征数据,对比了四种不同降维算法的运行结果,确定了本文使用的降维算法和降维后特征的维度。（4）建立了宫颈细胞最优组合算法,并使用了来自大连医科大学附属第二医院的宫颈细胞图像数据集验证其分类效果。分别使用K近邻、决策树、随机森林、支持向量机、逻辑回归与朴素贝叶斯算法,搭建了单算法分类器,又分别使用软投票与硬投票方法集成了这些单算法分类器,使用假阴性率作为性能衡量指标对分类结果进行了测试,找到了宫颈细胞最优判别组合算法。在来自大连医科大学附属第二医院的宫颈细胞图像数据集上,达到了1.57%的假阴性率。