宫颈癌每年影响超过50万名女性，导致逾30万人死亡。在疾病早期阶段实现癌症的检测，对于彻底清除患者体内的癌细胞具有至关重要的意义。然而，由于常规人群筛查受限于高昂的成本和繁重的人工操作，实际应用面临挑战：临床医生需从包含超过10万例宫颈细胞的染色切片中逐一识别并分类单个细胞，以判断其是否具有恶性特征。为此，计算机辅助诊断（Computer-Aided Diagnosis, CAD）系统作为一种高效、快速的替代方案应运而生。本文提出了一种基于集成学习的新型分类方法，采用三种在ImageNet数据集上预训练的卷积神经网络（Convolutional Neural Network, CNN）架构——Inception v3、Xception与DenseNet-169，用于巴氏涂片单细胞图像及全切片图像的分类任务。所提出的集成框架通过一种基于模糊排序的融合策略，对各基础分类器输出的决策分数引入两个非线性函数进行融合。与现有文献中常见的简单融合方法不同，该方法在做出最终预测时，充分考虑了各基础分类器预测结果的置信度，从而提升了模型的鲁棒性与判别能力。该模型在两个公开可用的基准数据集上进行了评估：SIPaKMeD巴氏涂片数据集和Mendeley液基细胞学（Liquid-Based Cytology, LBC）数据集，均采用五折交叉验证方案。在SIPaKMeD数据集中，该框架在二分类设置下取得了98.55%的分类准确率和98.52%的敏感度；在五分类设置下，准确率达到95.43%，敏感度为98.52%。在Mendeley LBC数据集中，模型实现了99.23%的准确率与99.23%的敏感度。实验结果显著优于多项当前最先进的模型，充分验证了所提方法的有效性与优越性。本文所提出的模型相关代码已公开发布于GitHub平台，供学术界与工业界参考与使用。