扫描透射电子显微镜如今已经成为了一个广泛应用于高分辨率晶体材料成像的有力的技术,最高成像分辨率甚至超过了 0.5埃。但是达到这个分辨率所带来的是超过每平方埃105-106量级的高能电子束,强度如此之高的电子束可能会损害对电子束敏感的材料,导致材料的原始结构发生改变,从而造成成像结果的扭曲与差异。同时,扫描透射电子显微镜利用高能电子束逐点扫描,会耗费大量的时间与资源,扫描一次的时间需要达到数小时。如何加快扫描透射电子显微镜的成像速度,以及扩大扫描透射电子显微镜的应用范围,使其能够在波束敏感材料上加以应用,其中关键问题就是如何减少电子束剂量并且能够得到可以接受的成像质量。对材料样品进行部分采样,之后通过计算方法对未采样的信号进行恢复,是解决上述问题的一个有效且广受认同的方案。传统重建方法从简单的频域滤波开始,发展到压缩感知框架。频域滤波只针对于具有完全相同周期性结构的材料样品,应用范围有限。基于优化或贪心迭代的压缩感知方法速度快,但是重建精度低,不适用于信噪比低的显微图像。基于贝叶斯估计的压缩感知方法,采用字典学习策略构建字典库,重建精度高,可以在大于等于25%稀疏度的采样条件下恢复材料样品的结构,但是需要大量迭代估计运算,无法满足实时成像的需求。随着深度学习的迅速发展,人们开始探索基于卷积神经网络的重建方法,只需一次前向传播,无需反复迭代求解,使得扫描透射电子显微镜稀疏采样实时成像成为可能。这些基于深度学习的方法主要依靠局部切块的像素级别的纹理特征去重建未采样的信号,大多采用基于切块的方法,在切块上估计线性初始重建图像,利用卷积神经网络在初始重建图像的基础上去细化,改善,得到最终的重建图像,在10%稀疏度的采样条件下仍然可以得到较为完整的图像。但是在更为稀疏的条件下,基于切块的方法感受野极为受限,失去了提取全局结构特征的能力,并且在信号被泊松噪声影响下发生丢失的情况下,上述方法无法有效恢复对应材料结构。本文提出一个基于频域空域信息混合的深度学习模型,提升在极为稀疏的采样条件下恢复材料结构的能力,例如在稀疏度小于等于5%的情况下,重建原子分辨率的材料图像。本文提出的模型,利用滤波器在频域中提取出全局结构特征以及初始重建图像去保证全局结构的相似性,细节的像素纹理特征利用卷积在空域信号以及频域初始重建中被恢复。本文提出的模型在保证实时重建的速度条件下,在模拟数据以及真实数据中都有30%-50%的精度提升。