随着医学水平和人们生活水准的不断提高,现代外科手术正朝着微创、准确、接触少、恢复快的方向发展。为了实现这个目标,计算机辅助外科手术（Computer Assisted Surgery,CAS）这种新型手术方式被提出。CAS是一种不同于传统手术定义的新兴领域,是多学科,多项现代先进技术的结合体,能以最少的手术参与人员高效且准确地完成外科手术,同时减少了病人的痛疼和失血量,缩短了术后患者身体恢复的时间。CAS的日渐成熟以及像达芬奇手术机器人系统这样高端设备的逐渐推广给广大需要做外科手术的患者带来福音。CAS的一个关键技术就是在手术中通过内窥镜获取图像并对手术工具进行实时跟踪定位,从而给手术中的主治医师和机器人提供工具的精准位置,便于医生和手术机器人进行下一步的决断。本文对CAS以及手术工具跟踪算法进行了一个大致综述,同时为了在二维空间内通过实时检测的手段准确的跟踪多个手术工具,本文综合当前多个优秀的目标检测网络的优点,提出了一种高效且准确的一阶段的逐帧手术工具检测网络,并且在真实的数据集上与当前主流的目标检测算法的多个性能指标做了对比。本文的主要工作有如下三点:（1）受当下经典的目标检测网络如YOLOv3,YOLOv4,DetNet的启发,结合了新颖主干特征提取网络、特征融合,检测头部分以及损失函数,并分别引入了两种注意力机制,搭建了能在内窥镜视频中实时、准确地检测手术工具的卷积神经网络模型。最终的网络模型在我们标注的数据集Cholec80-locations上表现出很好的性能。（2）与两种不同规格 SSD,SSD 的变体 RFBNet、RefineDet,Faster-RCNN,YOLOv4,引入SENet的YOLOv4,无锚盒的FCOS做了对比。在同一个真实的数据集上以及同一台设备上训练,然后测试上述手术工具检测网络,综合检测速度（FPS）和精度（mAP和中心点距离阈值评估）两个性能评估指标来看,本文中改进的网络结构的实际效果明显比上述经典的目标检测网络要好。（3）为了能使网络结构能部署到嵌入式设备中,本文提出了使用最新的轻量级主干特征提取网络GhostNet,并结合一阶段检测器SSD来加快网络模型的检测速度。这种新颖的组合方式可以保证在检测准确率没有大幅下降的前提下提高网络的检测速度,从而可以将模型部署到嵌入式设备中。同时与MobileNetv2、v3版SSD,ShuffleNetv2版SSD做了对比,实验证明本文提出的能部署到嵌入式设备上的手术工具检测网络性能优于上述轻量级检测网络。