O câncer de colo do útero é uma das principais causas de mortalidade feminina em países de baixa e média renda, onde a escassez de recursos compromete a eficácia dos programas de rastreamento. Este estudo propõe uma abordagem baseada em visão computacional e aprendizado profundo para a classificação de células cervicais em imagens citológicas, com o objetivo de melhorar a classificação e a eficiência do diagnóstico automatizado. A metodologia proposta integra técnicas de aumento de dados, redes neurais convolucionais e estratégias híbridas, as quais combinam a extração de características com classificadores avançados. Especificamente, a abordagem desenvolvida até o momento, baseou-se na utilização de quatro redes neurais convulsionais pré-treinadas — VGG16, VGG19, ResNet50 e Xception — para a extração de características e a formação de um vetor de características, o qual foi posteriormente utilizado na etapa de classificação por meio do classificador SVM. Como resultados pré-liminares, a abordagem proposta alcançou uma acurácia de 88,77%, precisão de 89,64%, recall de 87,71%, especificidade de 87,71% e F1-score de 88,28% na tarefa de classificação binária utilizando o conjunto de dados Herlev. Apesar dos resultados promissores, identificou-se a necessidade de aprimoramento da abordagem para potencializar seu desempenho e ampliar sua aplicabilidade no contexto do diagnóstico automatizado.