微创手术（Minimally Invasive Surgery,MIS）因为其有着传统手术所无法具备的手术创面小、感染风险低、伤口愈合快等优势,而深受医生与病人的推崇。它的关键步骤是在病人腹部开一个小口,使手术器械能够通过这个小口进入病人的体内找到病患处,对病患处进行手术操作,操作完成之后包扎体内与体外的伤口。因为其避免了传统手术中开胸或开腹所造成的大面积创面,所以大大提升了病人的手术体验。由于微创手术需要医生通过器械上的摄像头传回的画面来了解病人病患处的详细信息,来指导下一步操作,所以微创手术对医生提出了更高的要求,并且对所使用的技术也有了更高的期望,迫切需要新技术来充分挖掘微创手术视频中的信息,为医务人员服务,来提高手术的质量。深度学习技术由于优异的性能,近些年来发展势头迅猛,已经席卷了众多研究领域。以计算机视觉领域为例,深度学习解决方案已经完全颠覆了传统方法的地位,成为了视觉领域的主流方案。而深度学习在医学图像处理方面的应用也取得了突破性的进展,但是把计算机视觉领域中通用性的成熟方法原封不动地照搬应用到医学图像处理领域效果并不是太好,原因在于医学图像数据集与通用类别数据集相比有着许多不同:第一,微创手术中手术器械的工作环境空间有限,使得手术器械的成像距离很短,也就导致手术器械只要稍微移动一下前后距离,就会让屏幕上的成像大小发生剧烈变化,这种尺度的波动性给检测任务带来了挑战;第二,手术器械检测领域中的器械之间有着密切的逻辑信息,例如某两个或三个手术器械必须同时使用,互相配合才能完成一些特定的操作,这些信息的获取与利用,对于提高检测算法的性能至关重要;第三,微创手术期间,同一时刻手术器械往往是凑在一起,共同对病患处进行操作,致使器械之间距离过近,器械之间相互遮挡,这就使得使用通用的目标检测方法可能会出现严重的漏检情况。为了解决以上的这些问题,本文提出了一个全新的网络模型——Soft-ANLRCNN。针对上述提到的第一点,本网络引入了一个特征融合模块,通过融合不同层次的特征,给网络模型带来了尺度不变性,增强了模型对不同尺度目标的检测能力。针对上述第二点,Soft-ANL-RCNN网络中使用改进的Non-local模块,通过计算特征图中点与点的相关性来挖掘手术器械之间的逻辑关系,增强了特征图的表达能力。针对上述第三点,Soft-ANL-RCNN使用Soft NMS算法来代替常用的非极大值抑制算法,提高了模型对密集目标的检测能力。本文选取m2cai-tool-localtion公开数据集进行了实验验证,并且为了测试Soft-ANL-RCNN的鲁棒性,我们联合专业医学团队制作了手术器械检测数据集AJU-Set。实验证明Soft-ANL-RCNN在两个数据集上都有不俗的表现,七种手术器械检测结果均有不同程度提升,尤其是与其他器械存在配合使用关系的手术器械,它们的检测结果进步明显。在随后的消融对比实验中,实验结果也证明,SoftANL-RCNN的每个部件都扮演着重要的角色。