结直肠癌（Colorectal Cancer,CRC）是常见的消化道恶性肿瘤,是世界范围内癌症死亡的第三大原因。医生使用结肠镜检查结肠内表面,并根据结肠镜尖端的摄像头提供的视频反馈,检测和切除癌性息肉,是目前预防和干预阻断结直肠癌的最有效方法。然而,根据临床研究报告显示,在常规结肠镜检查中,多达22%-28%的息肉会被遗漏,其中检查覆盖率不足是造成息肉遗漏的一个重要因素。临床研究表示,结肠镜检查覆盖率大约在90%至95%是可取的,而在目前的常规检查中,只达到了81%的检查覆盖率。因此,利用计算机辅助技术,在结肠镜检查过程中为医生提供更加丰富的信息,提高医生对遗漏区域的感知,从而提高检查覆盖率,具有重要的临床意义。目前已有很多关于结肠镜质量控制方法的研究,主要可以分为两个大类,一类是生成结肠内表面可视化地形图,包括二维的结肠内壁展开图和结肠的三维重建地形图;另一类是通过对一些结肠镜检查质量指标的测量,为医生提供检查过程中的质量反馈,如检查时间、有效帧占比以及结肠镜运动变化等。然而,目前的研究依然存在一些问题,质量指标测量系统反馈的结果不直观,无法反映未覆盖区域情况;二维展开图把结肠看作了平滑的圆柱表面去处理,因而忽视了褶皱后面的情况;结肠整体的三维表面重建仍然难以实现,目前大多只能基于局部表面进行重建。正是由于上述困难和挑战,目前基于结肠镜检查的结肠表面三维重建方法离实际临床应用还存在极大的距离。围绕结肠镜质量控制,针对检查过程中覆盖率不足的问题,本文对结肠镜下的结肠表面三维重建方法进行研究,采用深度学习方法对既有的技术路线和方法进行新的探索,提出了一种基于深度和位姿估计的结肠表面三维重建方法,主要研究内容如下:（1）基于仿真数据集的图像深度图估计。深度图是反映空间结构的重要信息,由于结肠镜视频图像对应的真实深度数据难以获得,通常需要借助虚拟内窥镜数据进行迁移学习。目前有两种常用方法,一种是将虚拟内镜图像渲染成真实内镜图像效果,并在渲染后的数据域上训练深度估计网络,支持从真实内镜图像直接恢复深度信息;另一种是在虚拟内镜图像数据域上训练深度估计网络,再将真实内镜图像数据迁移到虚拟内镜图像域,支持从真实内镜图像间接恢复深度信息。本文借助开源数据集Endo SLAM对两种方法进行实验,并在临床结肠镜检查视频图像上测试,最后采用第一种方法得到了可用于结肠镜视频图像的深度图估计模型。该模型在测试集上的预测精度达到了99.5%。（2）基于无监督深度学习方法的结肠镜相机位姿估计。对于多帧图像的三维重建,需要借助相机位姿将多帧信息进行融合。本文使用临床结肠镜检查视频图像构建数据集,借助前一步得到的深度估计模型,利用前后帧的深度投影及图像差异计算损失,基于无监督深度学习方法实现了相机位姿估计。该方法和传统SLAM（Simultaneous Localization and Mapping）方法相比,绝对平移误差减小7.4%。（3）结肠表面三维重建及结肠镜检查质量统计分析。本文将单目重建问题转化为RGB-D（Depth）重建问题,使用TSDF（Truncated Signed Distance Function）算法将多帧的深度信息和相机位姿信息进行融合,然后采用MC（Marching Cubes）算法重建网格表面,重建精度为3.74±3.98mm,优于传统的SLAM方法。最后,根据得到的三维重建模型和相机运动信息,针对相机运动速度和检查覆盖率情况,对多个结肠镜检查视频进行了检查质量统计分析。