Las características de concentración de SO, NO, O y CO en la atmósfera marina son de gran importancia para comprender las interacciones aire-mar y los procesos químicos atmosféricos regionales. Sin embargo, debido a las difíciles condiciones de monitoreo marino, los datos de observación continua a largo plazo siguen siendo escasos. Para abordar esta brecha, este estudio propone un modelo de Transfer Learning-Convolutional Neural Network (TL-CNN) que integra datos meteorológicos de ERA5, datos de reanálisis de composición atmosférica de EAC4 y observaciones en tierra a través de la fusión de datos de múltiples fuentes. Durante el preprocesamiento de datos, se emplearon métodos de Función Ortogonal Empírica de Interpolación de Datos (DINEOF), ponderación por distancia inversa (IDW) e interpolación espacial y filtrado gaussiano para mejorar la continuidad y consistencia de los datos. Usando variables meteorológicas de ERA5 como entradas y concentraciones de contaminantes de EAC4 como objetivos de entrenamiento, se construyó un marco de inversión basado en CNN. Los resultados muestran que el modelo CNN logró un coeficiente de determinación promedio (R) superior a 0.80 en el conjunto de prueba de preentrenamiento, superando significativamente a los bosques aleatorios y redes neuronales profundas, particularmente en la reproducción de gradientes costeros y distribuciones espaciales regionales. Después de incorporar el aprendizaje por transferencia y el ajuste fino con observaciones de estaciones, los resultados de inversión del modelo alcanzaron un R promedio de 0.72 en comparación con las mediciones en el sitio, corrigiendo efectivamente sesgos sistemáticos en los datos de reanálisis. Entre los contaminantes, la inversión de SO tuvo un rendimiento relativamente pobre, principalmente porque las tendencias de reducción de emisiones de fuentes antropogénicas no estaban suficientemente representadas en el conjunto de datos de reanálisis. En general, el modelo TL-CNN proporciona campos de concentración de contaminantes más precisos para regiones offshore con observaciones limitadas, ofreciendo un fuerte apoyo para estudios del ambiente atmosférico marino y evaluaciones de efectos ecológicos marinos. También demuestra el potencial de combinar el aprendizaje profundo y el aprendizaje por transferencia en la investigación de la química atmosférica.