近年来,随着外科医学方法的不断发展,微创手术技术和机器人引导手术介入技术等尖端医学手术技术已逐渐应用于脑外科手术。依托类似手术技术,如脑机接口（Brain-computer interface,BCI）类的新一代生物科技得以成为可能。但是,这类手术也对术中的实时信息采集能力提出了新的要求。由于医生在手术过程中无法直接观察手术靶点和目标,他们的临床经验通常不能有效的发挥。因此,多种术中成像导航技术被提出以缓解这一问题,因为成像全面、清晰,磁共振成像（Magnetic Resonance Imaging,MRI）导航是目前的主要术中导航技术。然而,现今的MRI导航技术也存在许多问题:1)MRI导航时间效率不高。完整成像的MRI像素数量在百万数量级,其计算和处理过程极大的丧失了实时性。2)因为手术室的MRI系统多是中场MRI系统,功能成像获得的图像的信噪比不会很高,确定的位置不会很准确。3)MRI不能直接可视化,而从MRI中提取手术器官的3D模型步骤复杂,降低了导航软硬件的自动化程度。结合深度学习技术的器官3D重建方法就是为了找到一些准确且可控的视觉增强方法以改进MRI导航技术,从而获取更多的补充信息而被提出的。但是,目前尚无工作在脑部手术领域探究该技术。本文的目的就是提出一个生成误差小、稳定性高的大脑3D重建方法以填补这一空白。本文设计了一种用于大脑微创手术场景的树形图卷积生成对抗网络模型,它具有强大的特征自适应提取能力和学习能力,可以在短时延下重建精确的大脑3D点云（Point cloud）。它在生成器部分应用了树结构的图卷积网络以充分挖掘点云的图节点关联性并提高生成准确度。对抗性生成的策略则保证了多模块可以有效达到纳什均衡,模型能更有效的逼近生成分布。另外,现有传统医学图像,在手术中经常存在以下两个问题中的至少一个:首先,由于光环境限制和手术计划之外的各种可能的视觉污染（如局部出血）,它们往往是不完整的。其次,它们的分辨率不一定能满足成倍增长的手术精细度要求。针对第一个问题,本文设计了一个结合自注意力机制和生成对抗策略的分层形状感知网络来从不完整的2D图像中重建大脑的3D点云结构,并设计了多种模块以尽可能确保缺失补全的可信度。针对第二个问题,本文设计了一个具有两阶段上采样生成能力的金字塔形状感知网络以在重建常规低密度点云后,继续生成点的数量更多、细节更精细的高密度点云。同时,本文也在各个任务中有针对性的设计了结合对抗性损失、Kullback-Leibler散度约束、重建损失和感知损失组成的混合损失函数,以提高模型的训练效率。最后,本文还在各项研究中通过大量的定型试验、定量实验、消融实验和对比实验以证明设计的网络模型的良好性能。