近年来,随着深度学习在图像处理领域的迅速发展,基于神经网络的深度学习技术在图像去噪方面的理论愈发完善,已经成为了一种有效的图像统计处理方法,不需要图像的先验知识和估计前向成像算子的近似模型,便能够提高图像的质量。透射式电子显微镜广泛应用于物理、化学、材料、生物等领域,作为最常用的重要检测工具之一,其可以在原子列尺度研究材料的晶体结构以解释材料的微观、宏观特性。目前,在电子显微学的应用领域中,有许多可行的数字成像方法和技术,Gatan公司的K2 Summt、K3相机,已经能够使用低剂量的电子束来产生高衬度的照片。然而,透射式电子显微镜的一个主要局限是,当采集图像的时间很短或入射电子束很弱时,实验像噪声非常大,因此,一般是通过连拍图像叠加平均来提高图像的信噪比。然而,叠加后的平均像会损失连拍图像中变化的细节,不利于研究材料的原子结构变化,例如研究缺陷随时间的快速变化、晶体边界结构变化等;且由于目前相机的采集速度很快,例如Gatan K2 Summit相机每秒钟可以收集400张实验像,图像滤波需要快速且准确。由此,本文将结合传统滤波方法与基于深度学习技术的去噪模型,研究适用于系列连拍电子显微像的去噪方法。传统维纳滤波处理后的电镜图像易出现伪影,本文提出了基于维纳滤波的三维层叠滤波方法,可以快速获得伪影少、滤波效果较好的图像。另一方面,基于有监督学习训练模式的深度学习模型需要将有噪和对应无噪图像组成的成对图像作为训练集,因此,本文恰好使用三维层叠滤波法去噪后的图像与原图所产生的图像对作为数据集,并用该数据集训练了深度学习去噪模型Dn CNN和GANDenoising。利用深度学习强大的特征提取能力和拟合能力,可以学习一组原始电镜像与三维层叠滤波图像之间的映射,从而达到大大提高电子显微像图像质量的效果。最后,本文将峰值信噪比和结构相似性作为去噪效果衡量标准,结果表明,GANDenoising去噪模型可以在进一步有效去除噪声的同时,抑制伪影的产生,为使用深度学习模型对电镜图像去噪提供了可靠依据。