O câncer de colo de útero é o quarto tipo de câncer mais comum entre as mulheres. no brasil, esta doença foi a causa da morte de 6596 mulheres em 2019. uma das maneiras de realizar o diagnóstico é através do teste de papanicolau. a biópsia ainda é a maneira mais comum para a detecção precoce, apesar de ser um método invasivo. neste sentido, pesquisadores vêm buscando maneiras não-invasivas de auxiliar no diagnóstico deste tipo de doença, e os estudos na área de citologia tem se mostrado promissores. nos dias atuais, utiliza-se a citometria de dna como principal abordagem para a detecção da quantidade anormal de dna nas células, processo conhecido como aneuploidia. este pode ser um indicativo de lesões pré-cancerosas. porém, ainda é necessário que esta análise celular seja feita por profissionais treinados. o processo pode ser cansativo e está sujeito a erros. no entanto, esta tarefa é passível de automação, auxiliando na diminuição da subjetividade do processo, dos possíveis erros e do tempo necessário para realizar a análise. nos últimos anos, as técnicas de deep learning têm obtido sucesso em resolver problemas que resistiram às melhores tentativas da comunidade de inteligência artificial. atualmente, as redes neurais convolucionais vêm sendo utilizadas em diversas aplicações, nas quais podemos incluir também a área de saúde. neste contexto, este trabalho tem como objetivo apresentar um pipeline completo para automação da classificação de núcleos celulares preparados com o corante de feulgen, visando encontrar aneuploidia de maneira não-invasiva. será apresentada uma comparação de diferentes abordagens (segmentação semântica, detecção de objetos e classificação de imagens) com onze arquiteturas de redes neurais diferentes. os dados utilizados são provenientes de pacientes do hospital universitário da ufsc, onde foi construído um conjunto de dados anotados e avaliados por profissionais. os resultados obtidos mostram que, no geral, as redes neurais apresentam bom desempenho em relação a detecção/segmentação (localização) dos núcleos, porém a diferenciação entre as classes apresentou métricas ruins. dentre as abordagens comparadas neste trabalho, a classificação de imagens foi a que apresentou os melhores resultados. concluiu-se que estes algoritmos ainda não estão prontos para serem implementados na rotina clínica. no entanto, este trabalho aponta um possível caminho a ser seguido para investigação de uma abordagem objetiva e não-invasiva para detecção precoce de aneuploidia.