图像着色是指为灰度图像、草图甚至单色电影添加颜色的过程,它是图像处理领域的一个重要的分支,并且广泛应用于历史影像资料色彩恢复、单色科学图像着色和动漫作品颜色处理等领域。通过给图像或者视频添加上合理的色彩信息,一方面可以给用户带来更生动、丰富的视觉体验,另一方面还会增加图像信息内容的可感知性,更便于用户理解图像中的内容。自图像着色任务提出以来,其经历了一段较长时间的发展,尽管现存的一些着色方法大体上可以获得令用户满意的着色结果,但仍无法完全避免输出图像存在细节信息不足、色彩饱和度低和颜色渗出目标边界等问题。此外,图像着色本质上是一种“多模态”（multi-modal）的问题,即一张输入的灰度图像可能存在多种合理的着色方案。而现存的大多数着色算法在进行任务建模时,都未将这种“多模态”特性考虑在内,因此会导致灰度图像的着色结果缺乏多样性。针对上述提到的问题,提出了两种基于深度学习技术的图像着色算法。本文的主要工作如下:（1）提出一种可以融合图像多尺度特征与全局上下文的着色算法,用于解决着色图像边界区分困难和色彩饱和度低的问题。该算法先使用预训练的VGG16网络进行迁移学习,用于提高着色网络对图像低级特征的提取能力。随后,利用提出的基于通道注意力机制的联合金字塔上采样模块（Channel Attention-based Joint Pyramid Upsampling,CA-JPU）来融合输入图像的中、高级特征和获取丰富的上下文信息,用于辅助着色网络更好地区分着色图像的前景与背景。最后,引入自适应的空间特征融合模块（Adaptively Spatial Feature Fusion,ASFF）,用于自适应地学习不同尺度空间特征的重要程度,仅保留有用的特征信息来帮助输入灰度图像预测可能的颜色信息。实验结果表明,该算法可以输出颜色合理且色彩饱和度高的着色结果,同时还缓解了着色图像中时常存在的边缘渗色问题。（2）提出一种基于双向映射的图像多样性着色算法,用于解决着色网络输出结果过于单一的问题。该算法沿用了Bicycle GAN网络的设计思想,通过设计目标彩色图像和输入潜层编码（latent code）的重建过程,可以促使二者建立一种双向的映射关系。为了让着色网络获得更好的着色效果,生成器模块借鉴了SGRU网络的结构设计,用于过滤冗余的特征信息和提高网络的着色性能。其次,设计了一种潜层编码判别器模块,用于提升着色网络训练的稳定性,减少“模式崩溃”（mode collapse）现象的发生。此外,本文还尝试在模型训练阶段引入一种感知损失函数,用于缩小生成彩色图像与目标彩色图像在视觉感知维度上的差距。实验结果表明,该算法可以通过采样不同的潜层编码来让网络输出多种合理的着色结果,并且针对更复杂的动漫线稿着色任务,该算法也表现出了较好的着色能力。