不确定性空间信息在众多科学领域得到了广泛应用。然而目前用于不确定性空间信息重建的方法需要多次对训练图像（TI）进行扫描，再通过复杂的概率计算获得模拟结果，导致这些方法的效率较低，且模拟过程复杂。针对这一问题，提出了将费雪信息量和变分自编码器（VAE）结合应用于不确定性空间信息的重建。首先，通过编码器神经网络对空间信息的结构特征进行学习，并训练得到空间信息的均值和方差；然后，进行随机采样，根据采样结果和空间信息的均值、方差重建中间结果，并将编码器神经网络的优化函数与费雪信息量相结合来优化网络；最后，将中间结果输入解码器神经网络中，以对空间信息进行解码重建，并将解码器的优化函数与费雪信息量结合对重建结果进行优化。通过比较各方法重建结果与训练数据的多点连通曲线、变差函数、孔隙分布和孔隙度表明，所提方法的重建质量比其他方法的更好。具体来说，该方法重建结果的平均孔隙度为0.171 5，与其他方法重建结果的平均孔隙度更接近训练数据的孔隙度0.170 5。且相较于传统方法，其平均CPU利用率从90%下降到25%，平均内存占用下降了50%，说明该方法的重建效率更高。而通过重建质量和重建效率两个方面的对比，说明了该方法的有效性。