太阳活动的观测以及研究其中的规律对于人类来说有着极其重要的意义。由于地球大气的影响,地基望远镜只能观测到模糊的太阳斑点图像,只有高分辨率的太阳图像才能在太阳研究中发挥出的重要的研究作用。但是,传统重建算法在太阳斑点图重建时存在特征单一、噪音较多、局部细节模糊的,存在边缘过于平滑、高频信息易丢失等不足。所以,本文结合深度学习方法重建太阳斑点图像,加强提高太阳观测数据分析和处理能力。本文主要以深度学习的图像重建技术为基础,对生成对抗网络进行单帧太阳斑点图重建和卷积神经网络进行多帧太阳斑点图像融合展开了深入的研究,主要研究内容概括如下:（1）针对太阳斑点图对比度较低、米粒形状相似、帧间差异较小的特点,本文利用VGG网络提取输入图像与重建图像的结构特征,并将这些结构特征加入到Cycle GAN网络中记为MCycle GAN,利用特征差获取输入图像的高频信息,结合特征损失的计算来提高网络对单帧图像高频信息的重建能力,使重建图像具有更多的细节信息,更加接近目标图像。（2）针对大气湍流和扰动都会导致太阳斑点图像成像的模糊、畸变和闪烁,单帧太阳斑点图中高频信息难以得到有效恢复的问题,导致MCycle GAN重建后的图像会出现边缘不够清晰、对比度较差的不足。本文将密集块和新融合策略加入到Deep Fuse网络中并记为RFCNN,利用图像帧间相似但不完全相同的信息互补,使用少量的多帧图像进行重建,进一步提高了重建图像的视觉效果,提高了重建图像的真实性和稳定性。本文的课题来源于云南天文台,所使用的数据来自NVST采集的原始数据,经过数据预处理后构建数据集进行实验。实验结果表明,本文在经过MCycle GAN重建单帧太阳斑点图像并结合RFCNN网络进行多帧太阳斑点图像融合,大大提高了单帧太阳斑点图像的重建质量。本文方法的重建结果精度不低于传统算法,并且进行多帧融合后的结果在视觉效果和算法效率更优于传统算法。