宫颈癌是全球女性中最常见的恶性肿瘤之一,防治宫颈癌主要有疫苗接种、筛查和治疗三种途径。磁共振成像被认为是宫颈癌诊断的最佳影像学检查技术,提高宫颈癌肿瘤区域的磁共振影像识别精度对降低女性宫颈癌死亡率具有重要意义。由于生物医学图像本身存在的异质性和低对比度等特点,当前宫颈癌病灶识别方法主要存在以下问题:（1）以往对宫颈癌病灶识别的研究较少,缺少标准的磁共振影像数据集;（2）当前的宫颈癌识别算法对小病灶区域检测不灵敏;（3）当前2D病灶识别算法对磁共振影像的识别结果缺乏连贯性和一致性;（4）当前3D病灶识别网络参数量大、计算量大以及网络难训练。本文针对上述问题进行了研究,具体工作主要分为以下几点:（1）创建了标准的宫颈癌磁共振影像数据集。该宫颈部位数据集共包含894例加权的T2冠状位影像,每例影像由20-35帧切片组成。（2）提出了一套基于半监督学习的病灶识别算法——Semi Seg Med-Net。本算法设计了双分支结构分别用于像素级分割和图像级纠错,在医学图像缺少大规模标准数据集的情况下,使用半监督识别方法提高了图像特征利用效率,整体各项指标的表现取得了与全监督方法相当的结果。（3）提出了增强的3D多尺度识别网络——Aug MS-Net。多尺度策略被认为是解决小目标识别问题的有效算法之一,因此,本文提出了一种增强的多尺度识别网络来解决小目标识别问题,Aug MS-Net在降低了网络参数量的同时,提高了识别结果的准确率和连贯性。我们在两个数据集上评估了上述方法,与其他最先进的方法比较表明,我们提出的方法在各个主流的评价指标上取得了稳定的提升,同时减少了可学习的参数量。我们提出的半监督识别方法在宫颈癌磁共振影像数据集上,使用部分训练集数据达到与全监督方法相当的指标结果,提高了特征利用率。