作为现代生物学家的常用工具，光学显微镜为人类解开了众多生物结构的谜团。宽场显微镜拥有光学显微镜的基础结构，其成像采集到的离焦信号会降低图片的对比度。光学层析可以通过仅激活焦面信号或去除背景信号来获取清晰的焦面图像。然而，传统的光学层析成像方法都需要在光路中增加一些额外的器件，降低了系统的稳定性，也难以应用于各类特殊场景。去卷积算法虽然不需要额外的器件，但其需要多次迭代才能得到层析结果，计算时间较长。使用深度学习实现光学层析，能够最小化所需的器件，降低对生物样本的限制。但是，深度学习应用于光学层析仍然存在挑战：(1)采集深度学习所需的训练数据要耗费大量的人力物力，(2)深度学习重建速度不足以对高通量成像进行实时层析重建，(3)光学系统有时难以采集到配对图片作为训练数据。为了解决这些挑战，本文提出了多个针对性的算法进行相应优化，降低了深度学习实现光学层析的门槛。
　　针对深度学习需要大量训练数据的困难，构建了单对图片学习算法，根据点扩散函数设计了图片拆分尺寸及神经网络结构，最小化所需的训练数据。使用荧光小球和生物样本验证了单对图片学习算法与结构光照明显微系统相当的分辨率和层析能力，定量对比了信背比与噪声水平。测试了多种生物样本和多个成像系统的重建结果，表明该算法对不同显微镜和不同物镜拍摄的图片具有较好的普适性。
　　针对提高深度学习重建速度的需求，发展了高通量层析算法，优化了神经网络结构与重建流程，最大化利用了计算资源，将重建速度提高到22帧/秒。重建得到的全脑数据与结构光照明显微镜成像数据进行了对比，胞体计数结果验证了重建结果的准确性。对不同标记策略的影响进行了测试，同时分析了算法的训练误差，证明了高通量层析算法长时间快速稳定输出正确结果的能力。
　　针对配对数据难以采集的问题，提出了非配对对抗学习算法，通过对抗学习解决了非配对图片无法训练的难题。测试了使用相同样本和不同样本的数据训练的结果，研究了非配对对抗学习算法的准确性，实现了信背比的进一步提升。在此基础上，使用非配对对抗学习算法辅助细胞构筑成像结果进行了脑区划分，并统一了不同类型样本的成像质量，展示了非配对对抗学习算法的巨大潜力。