受限于光的波动性,目前的水下浮游生物成像仪不得不在成像分辨率与视场（FOV）之间折中处理。为了获得更大的采样体积,人们通常采用低放大倍率的镜头来扩大视场与景深,但是这却牺牲了分辨率,导致最终拍摄的浮游生物图像缺少了许多的纹理细节,不利于对这些浮游生物图像进行分析。本文研究了基于深度学习的浮游生物图像超分辨率技术,缓解了浮游生物成像仪的采样体积与成像分辨率之间的矛盾,提升了低分辨率浮游生物图像的分辨率。本文的贡献分为以下两个主要方面:（1）浮游生物超分辨率数据集的构建。首先,本文利用一个定制化的双通道暗场成像系统,获取了水下浮游生物高分辨率（High Resolution,HR）与低分辨率（Low Resolution,LR）原始图像对。然后,本文开发了一套浮游生物原始图像对预处理流程,对成像系统拍摄得到的原始图像对进行处理,生成了真实世界（Real-World）浮游生物图像对数据集Is Plankton SR。Is Plankton SR分为2×Is Plankton SR与4×Is Plankton SR两大部分,2×Is Plankton SR共有3453对HR-LR图像对,4×Is Plankton SR共有5927对HR-LR图像对。之后,本文基于Is Plankton SR图像对数据集构建了4×与2×Real-World浮游生物超分辨率数据集。最后,本文基于4×Is Plankton SR中的HR图像构建了4×下采样浮游生物超分辨率数据集与4×合成浮游生物超分辨率数据集。（2）浮游生物图像超分辨率重建技术研究。首先,本文基于EDSR网络,配合Real-World浮游生物超分辨率数据集,对比了多个不同的损失函数（L2 Loss、Perceptual Loss与Contextual Loss）对于超分辨率模型性能的影响,最终确定了Contextual Loss的优势地位。然后,本文基于EDSR网络与Contextual Loss,对比了Real-World数据集与下采样数据集对于浮游生物超分辨率模型的影响,最终确定了Real-World数据集的优势地位。最终,本文确定了Contextual Loss与Real-World数据集相结合的浮游生物图像超分辨率训练策略,并且与最新的基于合成数据集的训练策略（Real-ESRGAN）进行了比较,结果显示本文所提出的训练策略优于基于合成数据集的超分辨率训练策略。此外,本文还利用USAF标准光学分辨率靶标验证了本文的超分辨率方法对于光学分辨率的提升效果。本文还使用国内外多种浮游生物成像仪所拍摄的浮游生物图像验证了超分辨率模型的泛化能力,结果表明模型拥有良好的泛化能力。本文所提出的浮游生物图像超分辨率重建方法可以应用于所有的原位浮游生物图像,提升原位浮游生物图像的分辨率与纹理细节,使得原位浮游生物成像仪具有更好的观测能力。