细胞病理分析对于某些疾病的检查和诊断有重要的意义,但是在高倍物镜下显微镜的视野范围较小,图像的采集速度较慢。超分辨率重建技术（Super-resolution Reconstruction,SR）可以对低分辨率的病理显微图像进行上采样重建,以得到视野范围大且清晰的图像,大大提高图像的采集效率。随着近几年深度学习技术的兴起,基于深度学习的超分辨率重建方法取得了很好的效果。但是一般的重建方法以人工降采样图像作为低分辨率图像训练网络,然而当图像有未知退化时人工降采样图像不能代表真实图像,因此目前方法对真实图像重建时效果有限。而且现有的重建方法难以同时兼顾图像的高频相似性和低频相似性。本文针对上述问题,对基于深度学习的病理显微图像超分辨率重建技术进行了研究,论文主要工作如下:（1）使用病理扫描系统采集了一套包含成组高低分辨率图像对的细胞数据集,并设计了一套数据预处理流程。（2）构建了一个信息融合与超分辨率图像预生成重建模型,网络将输入的多帧低分辨率图像的信息融合,并生成一张超分辨率图像,使得生成图像与参考图像有较高的低频相似性。网络使用迭代融合方法进行信息融合、然后使用多个残差块进行特征映射,最后使用亚像素卷积上采样重建。（3）构建了一个超分辨率图像纹理生成重建模型,网络在保证生成图像与原始图像的低频相似性的基础上,为生成图像增加更为逼真的纹理细节,使生成图像在视觉观感上更接近真实图像。网络是基于生成对抗网络（Generative Adversarial Networks,GAN）结构构建的,生成器首先进行信息融合及预生成,然后使用编码解码结构进行特征的提取和图像的重建,在编码解码中间使用了多个残差块进行特征映射,判别器使用了马尔科夫GAN机制。并设计了梯度加权损失使网络更加关注图像纹理细节的生成。最后本文对实验结果与几种现有的经典SR方法进行了对比,分别在主观视觉上和客观指标上进行了分析与评价。实验结果表明,本文的信息融合与预生成重建模型的生成结果与原始图像有高度的低频相似性,纹理生成重建模型的结果在主观视觉和客观指标上均有较好的表现。