颜色对于我们人类具有极其重要的意义——它是视觉审美的核心,也是对自然界事物的物理属性、生理属性的体现,对我们的生活、文化影响深刻。图像彩色化技术是对图像或视频进行彩色化的过程,彩色化后的图像更有利于图像特征的提取与表达。随着计算机科学的不断发展,图像彩色化技术在影视资料保护,文物修复,医学图像处理和太空探索领域中发挥着重要作用。图像彩色化技术通常可以分为两类:用户引导型的彩色化和数据驱动型的彩色化。在不同的彩色化方法中,数据驱动型的彩色化方法因其具有从图像数据集的自学习的能力而成为目前彩色化技术的研究热点。本文主要研究基于深度学习的灰度图像彩色化方法,研究内容包括以下三个方面:给出了一种基于深度神经网络的彩色化方法。在分析了传统非深度学习方法在图像彩色化上不足的基础上,探索了基于深度学习的彩色化方法的可能性,对现有方法进行改进,加大对特征图的下采样倍数,实现了一个“U”型结构的彩色化神经网络。给出了一种基于生成对抗网络的具有双特征提取器的彩色化方法。针对彩色化图像中存在的语境混淆,着色不充分细节信息损失的问题,提出一种结合生成对抗网络和深度卷积神经网络的自动彩色化网络模型。以类U-Net模型为主特征提取器,副特征提取器使用加入SE模块的预训练Res Ne Xt网络提取图像的全局信息。实验结果证明该方法改善了彩色化过程中的漏色、细节信息损失的问题,并且对抗损失的加入也使色调趋于“平均化”得以改善。给出了一种基于生成对抗网络的具有边界感知能力的彩色化方法。针对彩色化图像中物体边界不清晰,在损失函数的选择上受到局限的问题,利用一种深度语义融合结构的生成器来推断给定灰度图像的色度条件下的语义线索,通过同时预测色彩信息和语义标签信息来学习灰度图像到彩色图像的映射关系。此外,运用了一种具有人眼视觉观察特性的色差计算损失,并结合语义分割损失和对抗损失的损失函数对模型进行训练,实验结果证明该方法与对比方法相比在质量评价指标上取得综合最优值,提升了彩色化的整体效果。