肿瘤细胞图像是一种医学图像和自然图像，具有高维复杂的特性，含有较多的冗余信息。目前针对医学图像的识别尤其是肿瘤细胞图像的识别出现了各种不同的分类诊断方法，但一般的分类方法分类效果并不理想。为此，本文提出了一种基于压缩感知和神经网络的肿瘤细胞图像分类模型。该模型将压缩感知(CS)和自组织特征映射(SOFM)神经网络结合起来，能够快速有效地提取出肿瘤细胞图像中的本质特征，最终较好地实现肿瘤细胞图像分类。其基本思想如下所述：首先，由于肿瘤细胞图像的高维复杂的特征不利于图像分类，因此在分类之前需要对其进行双向二维主成成分分析(Bi2DPCA)降维操作处理，便于后续的特征提取和分类训练。选择两次最佳投影维数实现肿瘤细胞的最佳降维，得到的降维图像数据用以后续处理的数据输入。其次，由于压缩感知具有克服传统奈奎斯特采样定理的限制，同时实现信号的采样和压缩的优势，因此用CS对肿瘤细胞图像进行特征提取。通过图像在信号稀疏基选择、自适应测量矩阵的设计及与其它常用的特征提取方法的实验对比，进一步说明压缩感知较好的提取肿瘤细胞图像本质特征。同时，通过压缩感知中常用信号重构方法重构图像，更直观地显示图像特征提取的效果。再次，由于SOFM是一种自适应无监督训练网络，因此建构基于CS和SOFM神经网络的肿瘤细胞图像分类器模型。该模型以CS提取的本质特征作为输入层的数据输入，利用自适应的SOFM神经网络的学习算法进行训练，能够较好地将肿瘤细胞图像分类为正常、癌变和增生三大类。经过大量的对比实验可知，本文提出的方法无论是从分类准确度或者是运行时间上，比其他方法更具优势。最后，将本文构建的基于压缩感知和SOFM神经网络肿瘤细胞图像分类模型应用于肿瘤细胞图像辅助诊断系统中，取得了较好的识别效果。