场发射扫描电子显微镜由于专业性和有效性,已成为医学和材料科学领域的基础研究工具。但是,场发射扫描电子显微镜仍然存在着两个方面的问题,一方面是其核心器件的研发周期长,成像放大倍数很难进一步提高;另一方面场发射扫描电子显微镜的分辨率与其视野之间存在着固有的内在矛盾。为了解决以上问题,我们将超分辨任务引入电子显微镜领域,提出了两种基于深度学习的超分辨算法作为电子显微镜的辅助方法,同时获得较大的视野和超高分辨率。具体来说,我们提出了深度残差融合网络（DRFN）和深度残差注意力网络（DRAN）。DRAN使用注意力机制来学习特征之间的相关性,并且其特征融合结构利用高级特征和低级特征之间的互补性来提取更全面的特征。同时,该网络使用残差学习来跳过冗余信息,将计算集中在高频分量上。而DRAN在DRFN的基础上,使用多个残差组的架构来有效地提取特征,进一步修改注意力组,还附加结构以融合特征。此外,该网络增加了一个高频信息保留模块来针对性地获取高频信息,可作为主干网络的有效补充。我们将峰值信噪比（PSNR）和结构相似度（SSIM）作为指标对图像质量进行评价,利用公开数据集对两种算法进行了训练和测试,实验结果显示了两种算法的优良性能。其中,DRAN是在DRFN的基础上对高频部分特征提取进行了针对性的结构设计,因此针对电子显微镜图像丰富的纹理信息,我们选择DRAN进行训练,期望得到更高质量的图像。由于缺乏电子显微镜的超分辨率数据集,我们收集并制作了蝴蝶翅膀数据集,并且在实验中,应用一种简单有效的数据扩充方法以提供更多数据来训练模型。定量和定性对比均表明了模型的有效性,极大地提高了图像质量,解决了电子显微镜视野和分辨率的冲突,使得场发射扫描电子显微镜使用场景更加丰富。并且该方法还适用于其他光学设备的成像优化,具有广阔的发展前景。