由于电子波长极短,电子显微镜的成像分辨率远远超过光学显微镜。这给探索生物颗粒的生物学家带来了福音,因为清晰的结构意味着明晰的功能。随着硬件和软件技术的快速发展,近年来以单颗粒分析为代表的冷冻电镜技术解析出的生物颗粒结构越来越精细。但这些结果仍然存在一些问题。本文围绕冷冻电镜单颗粒分析技术中存在的,三维重构结果分辨率仍能提升的问题,结合多种机器学习方法,研究设计实现了两种算法,分别旨在解决图像被退化且信噪比极低的问题以及三维重构过程本身不能得到更高分辨率的问题。这两个方法可以相互独立,也可以级联在一起。在基于深度学习的冷冻电镜图像复原算法中,本文采用维纳滤波器对衬度传递函数的影响进行去除,然后制备有噪无噪成对数据,利用深层自编码器强大的特征提取和函数拟合能力,学得有噪颗粒图像到无噪颗粒图像的复杂映射。该方法在两套蛋白质实验数据集上的表现较好,明显提升了信噪比,帮助了单颗粒分析后续步骤提高准确率,具有帮助提升重构分辨率的可能。在基于颗粒质量权重最大后验估计的三维重构算法中,本文从电镜成像原理出发,修改了其线性弱相位体模型,引入质量权重概念,得到一个改进版成像过程。在此基础上构建概率模型,用期望最大化算法推导出了模型参数更新方法。该方法能够将颗粒图像傅里叶像素以不同贡献程度算入三维重构过程,在估计出质量权重值的同时解析出更高精度的三维结构。在两套实验数据上的结果表明,与其他方法相比,质量权重的引入在一定程度上有利于三维结构解析时分辨率的提升。