随着时代的发展与进步,各领域技术都在向智能化方向发展。其中内窥镜作为医学或电子领域中常用的检测设备,需要更加纤细化与精准化以满足现实需求。光纤是一种纤细的光学传导工具,而且具有良好的信息传输能力,将光纤应用于内窥镜的研究具有重要意义。近年来光纤结合深度学习技术实现了光纤图像复原,但是由于深度学习网络参数量庞大,无法对高帧率的图像进行实时恢复,因此同时保证恢复图像的质量与效率成为光纤成像应用到内窥镜领域的关键问题。其中保证高帧率图像的复原的时效性包括两方面,一方面是同时复原图像的数量,另一方面是每批图像恢复的速度。首先针对短距离多芯光纤的散斑图像还原问题,本文提出一种新型的MobileUnet网络。融合Mobile-Net与Unet网络的优点,引入深度可分离卷积,降低了网络特征的冗余性,并减少了网络参数量,加快了网络的运行速度;同时利用Unet网络多尺度融合的优点,对复原图像的边缘恢复具有良好的效果。实验证明,本文设计的Mobile-Unet网络具有良好的时效性与准确性。其次针对长距离多芯光纤以及多模光纤的散斑图像还原问题,本文提出一种改进的Deep Labv3+网络（An Improved Deep Lab V3+Network）,简称IDV3+。该网络将Deep Labv3+中的特征提取主干网络改为最新的Resnest-50结构,增强了特征提取能力。并在较小的特征层进行通道的拼接与融合,减少了对显存空间的占用,增加了对每批图像的处理数量。实验证明,本文提出的IDV3+网络可以实现同时对大量不同类型散斑图像进行实时复原,解决高帧率视频散斑图像恢复问题。最后针对以上两种网络图像恢复质量问题,本文设计了一种判别器与两种网络进行对抗训练,应用判别器加强对恢复图像质量的约束。其中判别器能够在训练过程中与生成器共同进化,从而增强对真假信息的判别能力,修正生成器的还原结果。实验证明,在引入对抗损失以后,两种网络在相应光纤图像还原的能力上得到进一步提升。