目的 宫颈癌(cervical cancer, CCA)是危害女性生命健康的高发癌症之一，针对宫颈液基细胞学检查人工阅片费时费力、主观性强且医疗资源不足的问题，提出了一种基于深度学习的宫颈细胞全视野数字切片(whole slide image, WSI)自动分析方法，以提高病理医师的筛查和诊断效率。方法 收集山东省立第三医院病理科2 834张宫颈细胞数字切片，划分为patch数据集和WSI数据集。将patch数据集用于深度学习模型搭建、训练和测试，为了消除WSI制片和扫描过程中颜色差异的影响，使用大量数据增强方法扩增数据集以提高模型泛化能力，在YOLOv8模型基础上引入高效多尺度注意力(efficient multi-scale attention, EMA)增强模型对复杂样本的检测能力，采用精准率、召回率、全类平均精度(mAP)等指标评价模型性能。对于WSI数据集，使用TopK平均置信度方法集成检测结果来预测WSI阳性概率，使用敏感度、特异度等指标评价分类方法性能。结果 Patch数据集验证集和测试集的mAP@0.5指标分别为0.717和0.652,消融实验中模型添加数据增强和注意力方法后mAP@0.5分别提升2.5%和1.3%,最终精准率为0.661、召回率为0.69、mAP@0.5为0.717;WSI数据集切片分类的敏感度为0.974、特异度为0.39。结论 本研究所提方法具有良好的异常宫颈细胞检测能力，在临床上可帮助病理医师进行病灶区域的快速筛查，同时具有一定的WSI阴性阳性分类能力，可以在疾病早期筛查中进行分流管理。