近年来,大气颗粒物已经成为了我国大气环境问题的重要污染物之一,不仅严重危害人类健康,也与全球生态系统密切相关。形态特征不同的大气颗粒物,其来源与危害也各不相同。研究大气颗粒物的图像识别对分析形态特征和制定治理对策具有重要意义。本文针对大气单颗粒物的扫描电镜图像(Scanning Electron Microscope,SEM)进行了识别研究,主要研究内容如下:1.本文使用PQ200型和2050型采样设备对青岛市7个不同采样地点采集大气颗粒物样本,并使用扫描电镜对制作完成的颗粒物样本进行分析,得到了包含四类形态特征各不相同的672幅颗粒物SEM图像。将其通过图像增强的方法扩充至5376幅,建立了大气颗粒物SEM图像数据集。2.针对大气颗粒物SEM图像的识别问题,本文将基于回归的深度学习技术应用其中,以YOLOV3算法为基础,提出了一种基于改进YOLOV3的大气颗粒物SEM图像识别方法,实现了颗粒物SEM图像识别端到端的优化。3.考虑到颗粒物SEM图像分辨率较高,提升了原YOLOV3算法输入分辨率以适应分辨率高的颗粒物SEM图像。将Darknet-53特征提取网络末端的卷积层替换为密集连接层,强化了原算法特征提取能力。将YOLOV3的多尺度预测与空间变换网络相结合,使原算法的空间变换能力得到增强。采用了平均堆叠度公式重新进行聚类分析,得到更适合颗粒物SEM图像数据集的初始候选框。实验结果表明:本文提出的基于改进YOLOV3的大气颗粒物SEM图像识别算法(YOLOV3-DN-STN)与其他5种算法相比,识别效果好,其中召回率达到了 91.51%,比原算法提升了 5.25%,准确率达到了 93.08%,比原算法提升了 4.68%。该算法显著提升了原YOLOV3算法的识别精度,实现了颗粒物SEM图像的有效识别,为颗粒物图像的下一步研究奠定了基础。