在全球关注大气污染防治背景下,PM2.5在大气污染占比中占很大的比重,不仅直接或者间接影响全球气候,对人体健康也有很大的威胁。PM2.5的研究已经成为大气污染防治的重要课题。本文主要通过研究PM2.5的单颗粒物形貌特征,基于卷积神经网络对颗粒物的扫描电子显微镜图像进行分类识别,以期为大气颗粒物的源解析提供一定的理论依据。卷积神经网络是深度学习常用的框架之一,通过多卷积核对图像数据进行卷积操作,可以获得图像中的重要特征,因此卷积神经网络在图像方面的应用十分广泛。通过大量的文献报道和当前的应用情况,卷积神经网络可以用来识别PM2.5中不同形貌特征的颗粒物。研究期间选取青岛市的七个采样点,间断性的采集了 2016年至2018年大量PM2.5的扫描电子显微镜图像,从中挑选出四类形状特征明显的颗粒物,将其分类为球形颗粒物、絮状颗粒物、矿物质颗粒物和纤维状颗粒物,然后分别对其进行形貌特征观察,并根据能量色散X射线光谱报告分析颗粒物的化学成分。通过搭建的卷积神经网络对3114个样本进行训练,692个样本进行测试,训练样本的识别率达到99.65%,测试样本的总体识别率达到98.84%。最终表明本网络结构对于实验样本的识别率效果显著,达到了理想的分类效果,初步验证卷积神经网络结合扫描电子显微镜图像对PM2.5中的部分颗粒物进行识别的可行性。