内窥镜可以深入物体内部探测其组织结构,在医学诊断和工业检测领域应用广泛。传统内窥镜的光纤是由多根单模光纤组成的光纤束,光纤数量决定内窥镜成像分辨率,只有增加单模光纤数量才能提高其成像分辨率。多模光纤允许多个光学模式并行传输,相同的接入口径具有更高的成像分辨率。而多模光纤作为一种散射介质,内部每种光学模式都以不同的相速度传播,在输出端得到的是一个散斑图像。由散斑图像恢复原始图像成为研究热点问题。现阶段将卷积神经网络用于多模光纤的散斑图像重构成为一种主流的方式,但是使用卷积神经网络需要大量数据来拟合重构模型。为克服这一缺点,本文在卷积神经网络模型的基础上使用迁移学习,大幅度降低重构模型数据集的同时,实现了散斑图像的高质量重构。散斑图像的采集与处理。通过对多模光纤基本传输理论的分析,搭建了自动采集散斑图像的实验平台,并对采集到的散斑图像进行批量裁剪、等比缩小、通道转换操作,制作成散斑图像与标签图像一一对应的数据集,为将其输入卷积神经网络奠定基础。散斑重构网络模型的研究。通过对用于图像分类的经典卷积神经网络模型的分析,搭建了VGG、Res Net、U-net三种散斑重构网络模型。通过实验对比了三种网络模型在可训练参数和训练时间上的优劣。Res Net散斑重构网络模型在可训练参数上具有较大优势,U-net散斑重构网络模型在训练时间上较为突出。为验证模型的鲁棒性,给散斑图像增加了高斯噪声和椒盐噪声。模型能够在一定污染值下对散斑图像进行重构。散斑重构网络模型的迁移学习研究。通过使用手写字母数据集对源域网络模型进行预训练,目标域数据集使用原来的九分之一即可达到未使用迁移学习的重构效果,同时缩短了训练时间。通过对预训练模型的迁移位置和迁移后网络模型输出尺寸的研究,确定了合适的迁移位置和输出尺寸。