计算机控制的扫描电镜（CCSEM）技术的发展实现了大量单颗粒信息的快速获取，为建立基于单颗粒形貌和化学元素信息的颗粒物来源解析方法提供了技术基础。目前，国内将CCSEM技术应用于环境颗粒物来源分析的研究非常有限，相关的技术方法还有待建立、评估和完善。本研究基于IntelliSEM-EPAS（一种先进的CCSEM系统）开展环境颗粒物研究，在分析方法、环境颗粒物来源解析及污染源样品分析方面取得了一些初步进展。
电镜分析方法进展。传统的CCSEM主要基于背散射（BSE）模式下的灰度信号识别颗粒物，因此原子序数与采样膜（一般常用聚碳酸酯滤膜）相近的颗粒（特别是细粒径的碳质颗粒）识别较为困难。本研究尝试了BSE和二次电子（SE）模式相结合以及高、低电压（BSE模式）相结合的分析方法，并与传统的BSE模式下的分析效果进行对比，结果表明，高、低电压（BSE模式）相结合的分析方可以弥补传统BSE模式下细粒径碳质颗粒识别困难的问题。
环境颗粒来源解析。我们采集了北京、石家庄、邢台、淄博、本溪等全国十多个城市的样品进行单颗粒分析，基于K-means聚类和经验规则，将形貌和成分特征相似的颗粒进行分类，进一步定量不同污染源、不同粒径段颗粒物的数量和质量贡献。以北京市为例，我们发现土壤/道路尘（65.1%）、碳酸-硅酸盐（16.1%）和碳酸盐（7.1%）是研究期间PM₁₀质量浓度的主要来源。
源样品特征分析。单颗粒源样品信息的深度挖掘是进一步精细化源解析结果的基础。通过再悬浮的方式初步采集了生物质锅炉燃烧尘、电厂煤烟尘、建筑水泥尘、道路扬尘和土壤扬尘样品各一个，每个样品分析>10000个颗粒（粒径在0.2~10 μm之间）。研究结果表明，不同污染源样品在颗粒类型，单颗粒形貌、元素组成和粒径分布上具有显著差异。此外，我们初步将机器学习的方法应用于颗粒物的识别，选择源样品中80%的颗粒训练机器学习模型，剩余20%颗粒用于验证，结果表明，该模型的颗粒物识别准确率超过90%。

CCSEM，污染源，源解析，机器学习