光学成像技术是光学领域一个非常具有前景的方向,该技术已广泛应用于医疗诊断,遥感遥测,虚拟现实等场景中。随着生物医学成像,尤其是医用内窥镜的发展,面向高分辨率,低成本的超精细内窥镜成像成为了研究热点。多模光纤因其芯径小,内部传输模式丰富,信息吞吐量大,被认为是解决超精细内窥镜成像的理想传像媒介。由于多模光纤自身特殊的光学特性,导致原始图像经多模光纤传输后会形成高度随机化的散斑图案。如何由散斑图案恢复对应的原始图像成为多模光纤成像的关键问题。深度学习利用大数据分析可以自动学习散斑图案与原始图像之间抽象的映射关系,摆脱对多模光纤先验知识的获取,成为多模光纤成像技术的一个新的研究方向。本论文将沿着深度学习这条主线来研究多模光纤成像技术,首先利用自建的多模光纤成像实验系统,获得足够数量的,与原始图像一一对应的散斑图案。对于深度学习数据样本需求量大的问题,提出用生成对抗网络中针对图像翻译的Pix2Pix网络对散斑图案进行恢复,借鉴其中生成对抗的思想,提高网络的特征提取能力,减小数据集的同时获得更好的恢复效果。通过与U型网络对相同测试集图像的恢复效果作对比,最终结果表明在相同的训练集大小下,Pix2Pix网络可以达到优于U型网络的恢复效果,同时Pix2Pix网络也可以利用较小的训练集达到与U型网络相比拟的恢复效果。尤其是当数据集较小,图像较复杂时,Pix2Pix网络的优势更加明显。