近些年来,科技水平与制造工艺飞速发展,以计算机理论及硬件作为突破点的一系列创新研究方法不断被提出,关于深度学习技术的研究正如火如荼,对于计算机视觉任务,卷积神经网络表示图像特征的性能愈发优异,其在图像分类,图像超高分辨率,图像风格迁移,自动驾驶等问题中的应用表现突出。在电子显微镜学领域,由于硬件水平的提升,样品图像分辨率通常可以达到原子级别,科研人员利用电镜图像进行样品性能分析取得了重大进展,但采用传统图像处理方法对当前大规模电镜图像进行分析时存在瓶颈。本文所关注的问题来源于电镜科研领域中最为基础的成像参数问题,其对于电镜领域的科研人员对样品材料特性,出射波重建等研究领域具有极其重要的意义。由于电镜实验像采集时受到电镜仪器及各类因素的影响导致最终电镜像差参数存在偏差,因此,本文以石墨烯样品的透射电镜高分辨模拟图像为出发点,将深度学习网络模型应用到透射电镜高分辨实验像的识别任务中,获取输入电镜图像的成像参数,在分析比对网络输出结果与输入图像成像参数误差后,利用数值模拟计算满足精度要求所需样本数量,设置二次识别网络提升最终输出结果成像参数的精度。本文利用卷积神经网络设计的电镜图像识别网络模型,其输出的结果与实验像的成像参数平均误差能够满足科研人员对于像差精度的要求,完整进行实验像测试过程所需时间对比于人工调整参数有显著的提升,且该实验结果为电镜图像成像参数在电子显微学的后续应用,实验样品的材料性质分析等领域能提供较大帮助,并对未来解决电镜图像领域的基础性的问题提供引导。