场发射扫描电子显微镜是一种复杂的电子显微镜系统,具备超高分辨率扫描图像的能力,并能即时打印或存储输出,已经被各大高校和企业广泛引进并用于分析材料的微观形貌、细胞组织、化学成分等等。但是场发射扫描电子显微镜仍然存在着两个方面的问题,一方面因为其核心器件的研发周期相当长,成像放大倍数无法进一步提高,也即无法获得更高分辨率的图像,另一方面采集的图像无法同时获得大视野和高分辨率,这种视野与分辨率的矛盾是不可调和的,这些问题在一定程度上限制了场发射扫描电子显微镜的使用效率及应用场景。本论文研究基于深度神经网络的超分辨场发射扫描电子显微镜,应用图像超分辨技术,在不改变场发射扫描电子显微镜物理结构的前提下,能够有效提高其采集图像的分辨率,而且还能够很好地解决视野与分辨率难以平衡的问题,只需要将采集到的大视野低分辨率图像作为输入,就能够快速地输出一张大视野高分辨率图像。本论文提出一种基于残差学习的超分辨算法AARN,算法模型采用堆叠的非对称激活残差模块AARB,搭配新的上采样方式以及全局残差连接,网络能够提取到更深层的图像特征,使重构出的超分辨图像纹理细节更加丰富,在DIV2K数据集上进行图像评价指标的测试,PSNR值为36.82dB,SSIM值为0.9719,明显优于传统数学方法以及经典的超分辨算法。同时论文还提出了一种基于生成对抗机制的超分辨算法AARGAN,生成器结构在AARN算法基础上进行改进,判别器采用逐渐缩小增厚的卷积结构,并使用新定义的损失函数进行模型训练,在DIV2K数据集上的测试结果,PSNR值为35.67dB,SSIM值为0.9606,略低于AARN算法,但在视觉效果上AARGAN算法重构出的图像更加真实自然,高频信息更加丰富。本论文的研究将有助于场发射扫描电子显微镜成像质量的提升,在材料科学、生物学、医学、冶金、地质勘探、刑事侦察、宝石鉴定等各个领域都有着重要的意义。