目前,利用内窥镜在微创手术中获取病灶区域的深度信息还面临诸多挑战,由内窥镜获取的二维图像的特点使得手术机器人难以准确恢复病灶部位的三维空间结构,进而限制了手术机器人进一步向智能化发展。针对这一障碍,本论文研究了基于深度学习的双目内窥镜图像重建技术,主要内容如下:1、本文针对目前常用的基于深度学习的视差估计网络在内窥镜图像上重建精度低的问题,并就内窥镜图像少纹理、易被遮挡等问题设计了一种编码器-解码器结构。首先使用空洞卷积提升卷积感受野,利用图像中大区域的上下文信息提升编码器对图像特征的感知能力,并将不同扩张率的空洞卷积用于同一隐层特征。其次使用多层级的卷积特征图进行融合后进行上采样,以提升网络对图像的细节抓取能力,最后在损失函数部分,将立体匹配问题中左右一致性约束和视差平滑约束加入到损失函数中,更充分地使用双目图像对中左右视角的约束信息。该网络框架是一个端到端的模型,直接将立体图像对作为输入即可得到左右图像之间的视差。从实验结果看来,该模型对内窥镜图像的细节更敏感,而对光照反射干扰则更鲁棒。2、针对内窥镜图像的动态特性,本文提出一种逐帧迭代优化求解的视差估计方法。该方法先将一种传统的样条形变模型嵌入到立体匹配网络,利用内窥镜数据进行训练得到一个标准的样条模型;再在该模型基础上进行训练,建立一个单层感知机形式的经验形变模型;最后使用经验形变模型对每一帧内窥镜图像进行视差估计,该视差估计过程是一个迭代求优过程,以应对内窥镜图像的动态特性。本文所使用的传统样条形变模型为薄板样条插值（Thin-plate Spline,TPS）模型。由于经验形变模型是以TPS模型为基础,在内窥镜数据上训练得到的,因此经验形变模型较之标准的TPS模型,在内窥镜图像中软组织形变的表示上更加准确。另外,在建立经验形变模型阶段,本文提出使用交替训练模型参数的方式来训练模型,使经验形变模型保留TPS的光滑形变特点,自带光滑约束。实验结果表明,使用该方法训练得到的经验形变模型不仅保留了TPS模型的光滑性,对兴趣区域细节感知能力也有所提升。