随着人工智能技术的不断发展,机器学习在日常生活中应用的越来越广泛,衍生出如智能交通,智慧城市,智能家居,智能医疗等应用领域。在智能医疗中,人工智能技术与医学影像、辅助诊断、药物研发、健康管理、疾病预测等方面相结合,并初见成效,展现出广泛的应用前景与发展优势。光学显微镜作为医疗研究中不可或缺的利器,解决了生命医学研究过程中出现的很多难题。但由于诸如衍射极限等物理限制,使传统光学显微镜在应用上达到了瓶颈。一些新提出的超分辨显微技术虽然能够突破衍射极限,实现超分辨率,但在进一步的应用上仍然存在着很多限制。结构光照明显微镜（SIM）作为超分辨显微镜家族的重要一员,在活细胞的观测与成像中发挥着重要的作用。同样的,SIM也被其成像的物理过程所限制,在成像过程中需要以不同方向和相位的结构光对样品进行反复的曝光。常规的二维结构光照明显微镜需要以这样的方式去反复获取九张图片,然后重构一张分辨率超衍射极限两倍的图像。这一反复曝光的过程会对样品造成不小的伤害,使荧光团漂白并影响成像效果,同时SIM的成像速度也会受到影响,使显微镜无法达到更高的时间分辨率。针对此问题,目前有部分研究给出了解决方案,例如使用四张甚至三张原始图片重构SIM超分辨图像。但这些方法往往需要先验信息或者预设模型来实现图像重构,如果成像环境发生改变,最终图像重构的结果会非常不理想。这里,我们展示了一种基于深度学习中卷积神经网络（CNNs）的方法来改进SIM成像的性能,使SIM能够用小于九帧的原始图像重构超分辨图片。通过使用CNNs,我们能够将SIM重构所需的图像帧数从原本所需的九帧减小到三帧。从而以更快的速度生成超分辨率图像,同时降低了光毒性以及荧光漂白的风险。我们的方法是一种由数据驱动的方法,利用神经网络去学习大量的数据集中所包含的信息,从而恢复超分辨图像。并且由于荧光图像中荧光频谱的各向同性特点,图像的一维信息与二维信息会相互关联,这些隐藏的关联能够在训练CNNs的过程中被CNNs所发现。训练完成后,CNNs能够在只具有一维超分辨信息的SIM图像上准确的重构出具有更多维度超分辨信息的SIM图像。我们在模拟数据以及实验数据中验证了我们所提出的方法。