扫描隧道显微镜（STM）是一种原子级的表面成像仪器,它因其纳米级别的超高空间分辨率而在各个学科领域有着十分广泛的应用。其在TERS技术中的应用将纳米尺度的超高空间分辨率与拉曼光谱的化学识别能力融为一体,成为了新兴的纳米尺度表面分析技术。为了更好的进行表面分析,我们希望获得的STM形貌图像是高质量、完整、无噪声与缺陷的。然而扫描隧道显微镜是一个十分精密的系统,仅仅轻微的外部振动或噪声干扰以及控制系统自身的迟滞都会导致形貌图像中存在缺陷,从而使得样品本身的形貌特征被掩盖。本文在分析STM形貌图像处理研究现状的基础上,为解决STM形貌图像修复需要人工识别缺陷种类、人工定位缺陷位置等问题,针对STM形貌图像中常见的长条纹破损、稀疏短条纹破损、周期性噪声等缺陷提出一种将深度学习与传统图像处理相结合的全自动图像修复方法,该方法先使用深度卷积神经网络对待修复STM形貌图像存在的缺陷种类进行自动识别,然后再根据网络所识别的缺陷类别针对性的进行缺陷的自动定位与自动修复。本文提出的全自动STM形貌图像缺陷修复算法能够做到对STM图像缺陷进行自识别、自定位、自处理的全自动修复,整个修复过程无需任何人工干预。在软件集成应用方面,本文拟搭建一套功能全面、交互便捷、开放性与可拓展性强的综合TERS云服务系统。整个软件系统包含STM仪器控制、STM数据后处理、拉曼仪器控制、拉曼数据后处理、激光光斑位置监控、TERS联合采集与联合分析等功能。在架构方面,系统采用浏览器/服务器模式以及前后端分离的架构,打破传统仪器单体单机应用的模式。并且该系统将图谱数据后处理及分析功能云端化,使得图谱数据后处理不局限于仪器本身,从而更加便捷与更具通用性。同时本系统采用Docker容器化的部署方案,使得不同语言架构的服务能够进行便捷化的部署且不受具体机器与运行环境的制约。