宫颈癌是一种常见的妇科恶性肿瘤。宫颈癌筛查与诊断是预防与治疗该病症的有效手段之一,其中宫颈细胞病理图片分类是影响该病症辅助筛查与诊断准确度和效率的重要因素。本文基于深度学习对宫颈单细胞和多细胞图片分类问题开展研究。针对宫颈单细胞图片分类问题,在公开数据集SIPaKMeD（简记为数据集1）和源自湘潭市各医院提供的宫颈病理细胞原始图片与诊断信息通过裁剪、筛选和标注等操作得到的宫颈单细胞图片数据集（简记为数据集2）上开展研究。通过对上述两种数据集利用翻转和旋转等方法进行数据增强,并基于卷积神经网络VGG16结合迁移学习、模型参数调优和数值实验分析搭建了两种宫颈单细胞图片分类的模型。数值实验表明,所设计的两种模型分别对上述两种数据集均具有较高的准确率,分别为 98.59%和 97.50%。由于仅使用宫颈单细胞图片很难筛查与诊断各种复杂的宫颈病变,为此在宫颈单细胞图片分类问题的基础上对宫颈多细胞图片分类问题开展研究。首先对医院提供的数据采用类似得到数据集2的方法,得到宫颈多细胞图片数据集（简记为数据集3）。接着基于VGG16网络模型通过对多种数据采样方法对比分析以及选用焦点损失函数搭建了宫颈多细胞图片的分类模型。数值实验表明,所设计的模型对于该数据不平衡问题具有良好的准确率。