高效获取高分辨率的生物电镜图像是脑科学研究的重要环节。采集耗时和采集精度是脑微观重建工程的两大难题。由于硬件的限制,从算法的角度解决该问题,成为必要手段。本文以重建速度和重建精度为侧重点,对基于学习的图像超分辨率算法进行研究,并将其应用到电镜图像重建领域。从重建速度的角度,本文基于贝叶斯分层树模型提出了一种改进的快速超分辨率算法。基于贝叶斯学习原理,在图像特征空间中训练分层树,从而获得最优的树节点参数和最大概率叶子节点的回归矩阵。并通过图像空间压缩(幅值、相位、频率)、搜索压缩和回归压缩的方法,减少模型参数和减小计算复杂度,从而提升模型的重建速度和降低对硬件的需求。最后实验验证了算法在重建速度上的优势。该算法可应用于电镜图像前期采集阶段。从重建精度的角度,本文基于多尺度小波网络模型设计了一种全卷积端到端的超分辨率算法。首先构建了网络的主体结构,由编码和解码两个模块构成。然后采用间接预测多尺度小波系数来代替直接预测灰度图像,训练约束模式包括灰度域和小波域。再根据小波尺度对输出系数进行分组,使得模型训练更加稳定、超参数调整更加灵活。实验表明与其它经典算法相比,该算法在细节纹理恢复方面更为突出和真实。该算法可应用于电镜图像后期分析阶段。利用超分辨率技术对电镜图像进行重建,可缩短电镜采集周期,满足高通量采集的工业生产和科学研究的需要,进而加快神经环路微观重建研究的进程。