光子晶体材料（Photonic Crystal）是一种具有特殊光学性质的材料,同时也具有良好的生物相容性,因此在器官芯片中常被用作细胞培养的基底,并通过其间接地观测细胞的力学性质与机械性能。现有的针对光子晶体薄膜的分析方法主要是使用成像设备对其进行图像采集,而后通过图像处理的方法来间接分析所培养的细胞对于外界刺激的反应。然而,在对光子晶体样本进行成像时往往会出现图像对焦不精确、图像质量差（分辨率低、信噪比低）、难以对表面进行三维重建的问题。本文主要使用基于深度学习的算法,针对上述三个问题进行研究,实现光学显微图像的重建与增强。具体的研究工作如下:1)本文使用了迁移学习的策略完成了显微镜自动对焦任务和病变区域分块检测任务。本研究将自动对焦任务转化成多分类任务,通过使用预训练的Res Net模型分别在Yeast Z-Stacks、MCF-10A、PCF数据集上实现了自动对焦的功能。对于病变区域分块检测任务,本研究结合了迁移学习的VGG-19网络与概率加权投票算法,选择合适的分块大小,对每一分块分别处理,实现了单孔视野内的病毒侵染比例计算。2)本文提出了一种用于联合去噪与超分辨率重建任务的DN-SRNet算法,对光子晶体薄膜样本进行图像增强。该模型由多个独特的多尺度残差-密集连接注意力组组成,并针对该任务设计了独特的损失函数。在W2S和FMD数据集上的结果表明该算法能够取得超过基线值的PSNR和SSIM指标,同时本文也在实验室所采集的光子晶体多分辨率数据集上验证了该算法的有效性。3)针对光子晶体薄膜表面重建问题,本文使用高斯混合模型生成了仿真的光子晶体薄膜高度数据集,在真实样本上测定了所采集图像的光强与样本倾斜角度的对应关系,并利用栅格化的光学分析方法生成了对应的光照图。而后,本文在该数据集上训练了一个条件生成对抗神经网络,实现了从所输入的光照图中重建对应样本的表面高度图,实现了光子晶体薄膜的上表面三维重建。