高通量、高分辨率的大范围三维显微成像对于生物组织的结构和功能研究都具有重要意义。传统的点扫描、线扫描或马赛克扫描二维成像方式需要逐层轴向扫描才能获取样本的三维信息,虽然成像分辨率较高,但成像效率低,耗时相对较长。而采用非扫描的三维成像方法虽然可以快速获取样本的三维信息,但由于串扰等问题的存在,往往成像分辨率不佳,无法应用于精细成像的场景。因此,如何在大范围三维成像中兼顾高通量与高分辨率是亟待解决的技术瓶颈问题之一。针对这一问题,本文将深度学习与多线探测的线扫描成像相结合,建立了一种新型横向加速的虚拟多平面成像方法。从轴向加速、横向加速以及其在全脑光学成像中的应用等多方面展开了系统性的研究。首先本文提出了基于深度学习的虚拟多平面成像新方法,可实现三维显微成像的轴向加速。从经典的共聚焦理论出发,分析了多线探测线扫描系统的成像特性,指出在单次扫描中不仅可以获取焦面信号,也能获取焦外信号。为了恢复轴向多层信息,提出了深度学习的策略并构造了神经网络结构以及设计了相关流程。利用生物组织样本对虚拟多平面的图像恢复质量及最大成像深度进行了定量评估。为了进一步加快三维显微成像的速度,提出了横向加速的策略,以减少单平面成像的时间。提出了X方向加速的成像策略,构造了相应的深度神经网络对横向加速采集到的模糊图像进行原始分辨率恢复。利用荧光小球测试了重建图像的分辨率,利用生物组织样本分析了重建图像的质量,证明在保持高分辨率成像的同时还可提高图像的信噪比。结合虚拟多平面成像,并优化了网络的输入方式,实现了高通量高分辨率的三维显微成像。最后,本文将以上基于深度学习加速的三维显微成像新方法应用于改良全脑光学成像,设计了一套深度学习线扫描荧光显微光学切片断层成像（Deep Learning Line-Scanning fluorescence Micro-Optical Sectioning Tomography,DeepLS-fMOST）新系统。根据全脑成像的需求,提出设计指标,论述了硬件实现以及自动控制方法。讨论了不同成像方案对全脑成像速度的影响,评估了采集时间的改善程度以及重建时间的长短。之后利用该系统以获取特定类型神经元分布与神经元投射路径为例,定量评估了DeepLS-fMOST高通量获取数据的能力。以上工作表明,本文所发展的深度学习加速的三维显微成像新方法,为在大范围获取生物组织三维信息提供了一种高效策略,将该方法应用于改良全脑光学成像,有望为脑科学研究提供新的技术手段。