超分辨荧光显微镜突破了光学衍射极限造成的空间分辨率限制，使得生物学家能够在生命体和细胞具有活性的状态下，对其功能与结构进行高精度动态记录，有望揭示更多重要的生命现象细节。然而，由于超分辨荧光显微技术的成像视场、深度、分辨率、速度等不易兼得，所以解卷积作为一种最有效且直接的求解逆问题的框架，被广泛应用于增强超分辨显微镜的时空分辨率。研究人员聚焦于通过相应算法设计实现高质量显微图像的重建，在一定程度上克服了超分辨荧光显微镜的硬件限制，可以更好地恢复生物信息。本文首先介绍了解卷积方法的基本原理及其发展历程，接着列举了不同解卷积技术在不同模态下的重建原理和效果以及这些技术在生物学上的应用，最后总结了基于深度学习的解卷积方法在超分辨荧光显微镜技术上的最新进展和未来的发展潜力，并对包括傅里叶环相关的定量评估图像重建质量的方法的最新进展进行了阐述。

单分子定位技术通过随机激发荧光标记获得一组稀疏的图像序列，同时对荧光点进行亚像素级别定位，最终实现超分辨显微成像。基于拟合的单分子定位算法，如单发射（SE）及多发射（ME）定位算法，通过对估计器性能进行改进提高了单分子定位的精度和速度；然而，受失配误差和串扰误差的影响，SE算法和ME算法在不同密度情况下各有优劣，均无法达到全密度范围内最优的估计效果，并且分别存在荧光分子利用效率低和计算量大的缺点。本文提出了自适应混合发射单分子定位（SM）算法，该算法通过图像荧光发射密度及强度自适应地确定的拟合区域以及所采用的拟合模型及模型初值，有效避免了上述两种误差的影响，达到了全密度范围内一致、良好的定位效果。在仿真和实验数据上将所提SM算法与SE算法、ME算法进行比较，结果显示，SM算法重构图像的分辨率和对比度在不同发射密度下均具有优势。

近年来,荧光显微成像技术由于良好的特异性、高的对比度和信噪比等性能优势,被广泛应用于生物物理学、神经科学、细胞学、分子生物学等生命科学研究的各个领域。然而,传统的荧光显微镜仍然存在分辨率、成像速度、成像视场、光毒性和光漂白等的相互限制,使其在亚细胞结构观测、活体生物超精密成像和分子结构研究领域的应用受到了极大阻碍。由于传统荧光显微镜的局限性,研究人员将目光投向了由数据驱动的深度学习方法。基于深度学习的显微镜的出现,丰富了现有的光学显微成像技术,大数据量的训练突破了传统光学显微镜所能够达到的功能和性能的疆界。本文聚焦基于深度学习的荧光显微成像技术,首先对深度学习的基本原理以及发展过程进行简要概述,随后针对深度学习在荧光显微成像领域近年来的国内外最新成果进行总结,之后通过与传统显微成像系统进行对比,阐述了深度学习在解决荧光显微成像问题上的优越性,最后对深度学习在显微成像技术上的应用前景进行了展望。