“事件相机”基于仿生的动态视觉传感器（Dynamic Vision Sensor,DVS）而诞生,其具有微秒级别的响应时间,只对视野里亮度发生变化的位置进行记录,每个亮度发生变化位置会输出一个“事件”,该事件包含该位置的地址信息u,亮度发生变化时的时间信息t以及亮度信息p,表示为（u,t,p）,其中u代表位置坐标（x,y）,多个位置产生的众多“事件”以异步方式输出,形成“事件流”。因此,DVS不像传统相机那样无论视野里光强是否变化,定时曝光形成包含丰富背景信息的强度图像帧,对视野里所有数据进行整帧输出,所以相较于传统相机,DVS能以极少的数据量捕捉运动物体,微秒级别的响应速度也使其具有极高的时间分辨率,但成像结果剔除了静态背景（视野里光强未产生变化的位置）。另外,DVS动态范围较传统相机高出二倍有余,可以感知强光和暗光下的亮度变化并输出相应的事件信息。因此,DVS具有高时间分辨率、高动态范围（HDR）、低延迟无运动模糊等传统相机不具备的优点。然而,事件相机的输出是基于时间先后顺序产生的异步事件流,而不是传统图像定时曝光记录的强度图像帧,造成现有的图像处理算法不能被直接被采用,在事件流上直接进行数据处理又颇有难度,于是,设计重建算法实现由事件流重建出传统强度图像成为了这一问题的解决思路,现有的重建算法一类是基于数学物理方程的先验假设统计对事件流进行强度重建,另一类是利用深度学习网络由异步事件流直接重建出清晰强度图像。针对事件流重建问题,目前主流思想是采用深度学习网络如循环卷积网络（LSTM）,生成对抗网络（GAN）等,完成由异步事件流到强度图像帧的直接转换。但是现有重建算法并未考虑到暗光下DVS成像较日光下包含更多的随机噪声和细节损失,从而影响了重建质量,本文出于上述考虑,针对事件流细节重建对重建算法做出了新的设计,使得暗光下事流件也可以被重建为清晰的强度图像,实现事件流的高质量跨域重建,本文主要工作和改进如下:本文提出了一种基于域自适应的事件流重建网络,该网络将事件流特征区分为域共享特征（如场景结构）与域私有特征（如细节纹理）两部分,针对暗光事件流借由域私有特征设计了细节增强模块,对暗光事件流进行了反向细节增强,完成事件流的跨域清晰重建。之后又提出了一种以生成对抗网络为基础结构的网络模型用于事件流重建,该网络利用了多尺度特征提取、注意力机制和梯度监督对重建图像的局部细节特征进行关注,同时对重建图像进行局部裁块并利用鉴别器对局部区域的重建细节进行约束,使得生成图像的细节轮廓、局部纹理更清晰。为了评估本文所提出的方法,本文以Celex-V事件相机和传统相机为载体自制了双目相机用于事件流重建数据库的捕获,该重建数据库在各类自然场景及室内场景下摄取,是一个包含日/暗光事件流以及与之对齐的参考强度图像的大规模数据集。在该数据集上的实验表明,上述跨域重建方法具有更好的性能去完成事件流的跨域重建。