传统的目标探测手段,受到入瞳口径、焦平面低温制冷的限制,难以实现小型化、便携化。多模光纤因可柔性传输和抗干扰强的特性,利用其传输成像可以有效解决这一问题。基于卷积神经网络的深度学习方法,可有效地将多模光纤形成的散斑图像重建出输入图像,相比传输矩阵、相位共轭、迭代算法等传统方法,更快捷、更能克服复杂的外界干扰。本文使用深度学习方法开展多模光纤图像重建研究。首先,针对多模光纤传像系统的调制传递函数研究空白,基于采样理论和角谱理论,推导了多模光纤的调制传递函数,分析了多模光纤传像系统的调制传递函数,解决了多模光纤传像系统像质评价的问题。其次,根据该理论,设计了可见光波段的多模光纤传输成像系统,完成了多模光纤传输成像系统的搭建调试,并利用该系统收集了足够数量的散斑图像,作为神经网络的数据集。最后,针对散斑图像的图像重建,基于VGGNet和残差网络（Res Net）两种卷积神经网络,设计并改进了两种改进卷积神经网络,通过对比研究重建后的图像信息,讨论了不同参数设置对神经网络重建效果的影响,最后使用PSNR和SSIM评估了这两种改进卷积网络。基于残差网络和VGGNet网络的改进卷积网络可较好地完成多模光纤图像重建,同时改进残差网络重建图像的结构相似性能达到88%,更适合多模光纤图像重建任务。