背景与目的宫颈癌是导致女性死亡的主要原因之一。如同其他疾病，早期发现并及时接受最佳医疗干预，是最大限度降低该疾病后遗症的关键步骤。巴氏涂片（Pap smear）图像分析是检测宫颈癌最有效的手段之一。本文提出一种基于模糊距离的集成学习方法，该方法融合多个深度学习模型，用于从巴氏涂片图像中实现宫颈癌的自动检测。方法本研究采用三种迁移学习模型：Inception V3、MobileNet V2 和 Inception ResNet V2，并在其基础上增加额外层以学习数据特异性特征。为融合各模型的输出结果，本文提出一种新型集成策略，其核心思想是通过最小化预测结果与真实标签之间的误差值来优化集成效果。对于每个样本的多模型预测结果，首先分别计算各类别与最优解之间的三种距离度量：欧氏距离、曼哈顿距离（城市街区距离）以及余弦相似度。随后，采用乘积规则对这些距离度量进行去模糊化处理，从而得出最终的分类预测结果。结果在当前实验中，单独运行 Inception V3、MobileNet V2 和 Inception ResNet V2 时，分类准确率分别达到 95.30%、93.92% 和 96.44%。在应用所提出的集成方法后，整体性能提升至 96.96%，显著优于任一单一模型的表现。结论在三个公开可用数据集上的实验结果表明，所提出的模型在性能上具有竞争力，可与当前最先进的方法相媲美。该方法提供了一种端到端的宫颈癌分类技术，能够有效从巴氏涂片图像中识别宫颈癌病变，有助于提升临床医生对宫颈癌的诊断效率与治疗水平，从而整体优化筛查流程。本文提出的模型源代码已开源，可于 GitHub 仓库：github.com/rishavpramanik/CervicalFuzzyDistanceEnsemble 获取。