在材料科学领域,暗场原子图像的成像质量非常重要,是材料科学家作为科研成果的重要可视化依据。当材料科学家需要证明自己所研制的某种材料具有优良的均匀性时,获取这种材料表面的原子的排列和分布就成为了必不可少的条件,而只有足够清晰的暗场原子图像和足够准确的原子中心坐标及半径大小,才能作为材料科学家计算的暗场原子排列及分布充分而有力的证据。近些年来,随着深度学习技术的发展,图像处理和识别技术逐渐应用到越来越多的领域当中,特别是在材料影像、医学图像、卫星地图、安防领域等方面发挥着重要作用。利用扫描透射电子显微镜获取的暗场原子图像由于实验环境、材料质量和系统自身成像质量等问题,难以满足材料科学领域研究学者的科研需求。而传统的图像处理手段无法有效的提高暗场原子图像的信噪比、改善图像质量和对图像内容进行识别分析研究,因此利用深度学习技术对暗场原子图像进行重建和识别成为了解决图像质量问题的新手段。本文主要解决了两方面问题,分别是暗场原子图像重建和识别。一、在重建方面,针对提升暗场原子图像成像质量的问题,本文提出了基于生成式对抗网络的暗场原子图像重建模型,针对生成式对抗网络难训练的问题,首先设计了零中心推土机距离(EMD-ZGP)损失函数,加快了模型收敛速度,提高了模型稳定性,改善了模型的拟合能力;然后在生成器端基于U-Net网络重新设计了DSN-U-Net网络作为生成器,结合空洞卷积、谱归一化等方案提升生成器的质量,从而生成原子形状更规则、亮度更清晰、噪声更少、扰动更低的暗场原子图像;最后在判别器端结合损失函数和生成器的特点选取了合适的训练方案及优化器,进一步提升了暗场原子图像的重建质量。二、针对暗场原子图像的识别问题,本文首先采用了基于Faster R-CNN的神经网络模型作为基础,其次结合图像重建模型构建增强数据集,实现了暗场原子的准确识别及中心坐标和原子半径的精确计算,最后,为应对多尺寸暗场原子图像的识别任务,设计并扩展了识别模块,实现了不同尺寸暗场原子图像的准确识别。通过上述方案,为电子显微镜下暗场原子的识别与重建工作提供了有力的支持工具。