显微成像技术是生命科学研究中不可或缺的工具,然而成像速度与空间分辨率、图像质量之间的矛盾使系统的成像通量受到限制。高速度、高分辨率的成像方式是该领域一直以来的追求。深度学习单帧超分辨算法通过增强低分辨率图像的分辨率,试图让成像维持大视野、高帧率的同时获得高分辨率,从而提升成像通量。然而仍有两个问题亟待解决。一方面现有的深度学习显微超分辨算法只使用一个卷积神经网络对成像逆过程的求解做笼统的近似,在显微成像尤其是用于三维成像的光片荧光显微成像中并不能得到很好的超分辨效果;另一方面,现有的深度学习显微超分辨算法依赖于高分辨率图像提供标签数据,以监督式学习的方式建立超分辨能力,当合适的高分辨率图像无法获取时,监督式深度学习超分辨算法无法确保准确地重建图像中的高分辨率结构。针对第一个问题,本研究详细分析了光片荧光显微成像的物理过程,即图像降质模型,并将光片荧光显微图像的超分辨问题分解为两个子问题:从严重降质的低分辨率低信噪比图像中提取真实信号,同时抑制背景信号与噪声;以及将提取到的真实信号上采样得到超分辨图像。进而提出两段式的超分辨算法,并通过图像降质模型生成对齐的高-低分辨率图像对作为训练数据,以监督学习的方式帮助两段式神经网络正确建立提取信号与增强信号的能力,从而完成低分辨率低信噪比图像的增强,将现有光片荧光显微系统的成像通量提升了两个数量级。针对第二个问题,本文探究了无监督学习在显微超分辨中的应用,提出了一种自适应超分辨算法。在高分辨率标签图像难以获取、训练数据与实测数据存在较大差距的情境下,该方法利用域适应技术弥补训练数据与实测数据之间的差距,并在训练过程中引入显著性损失函数与超分辨损失函数帮助维持信号的形态,让超分辨神经网络将超分辨能力成功迁移至实测数据,重建出可信度较高的超分辨图像。使用该算法,本研究完成了细胞的高通量成像,记录了培养在无镜成像装置上的细胞的生长过程,在毫米级别的大成像视野内达到了1.6μm的亚细胞级分辨率。本研究提出的有监督两段式超分辨算法以及无监督自适应超分辨算法在各自的应用场景下均完成了原始图像的增强。不引入光学系统硬件上的改动,成功实现了高通量成像,证明本研究提出的算法有能力以较低的代价使现有的显微成像系统获益,在脑科学、神经科学以及细胞生物学等需要高通量成像的生物医学研究中有着可观的应用前景。