纳米计量标准化及量值溯源是国际纳米技术研究的热点。原子力显微镜（Atomic Force Microscope,AFM）作为纳米检测技术的基本工具之一,被广泛应用在纳米研究领域。其中AFM扫描图像是探针针尖形貌与样品结构的卷积结果。AFM测量不确定度主要来源于针尖形貌的不确定度,但目前还没有一种有效的方法来精确标定探针针尖形貌。本文主要针对AFM图像盲复原方法进行理论仿真分析及实验探究,具体研究内容主要包含以下几部分:（1）主要研究了几种传统AFM图像复原理论,分析其优势和局限性,详细展开描述了神经网络法,包括相关机制、原理等,依据RBF（径向基）神经网络及成像机制推导出其迭代公式。该方法通过确定所有RBF中心,则被视为RBF网络从隐藏层到输出层的映射权重参数为线性,从而加快学习速度并避免局部极小问题。（2）提出了一种基于迁移学习的AFM图像复原方法,通过迁移学习训练源模型和靶模型实现一维栅格图像复原。该方法利用数学形态学的腐蚀算法生成栅格点云数据,利用U-Net网络源模型从点云中提取针头卷积特征向量,将权重参数迁移至U-Net网络靶模型,靶模型在自适应正则化方法下进行监督学习。实验结果表明,该方法可在有效恢复一维栅格原子力显微镜图像的同时提高横向分辨力。（3）对U-Net网络模型进行改进,提出一种基于条件生成式对抗网络的原子力显微镜图像盲复原方法。以pix2pix HD模型为基础,通过全局生成网络对仿真样本数据进行对抗训练,引入AFM测量数据采用局部提升网络联合训练,最后特征匹配损失函数以用于提升栅格边缘横向分辨力。实验结果表明,一维矩形栅格在AFM下的测量图像进行盲复原,具有较高的成像分辨力并提升一维栅格AFM图像测量准确度。