颜色恒常性是人眼在观察外界事物时产生的一种心理感知,它可以使人眼在外界环境光源条件变化的情况下保持对物体表面真实颜色认知的稳定性。在人工智能领域,颜色恒常计算与许多计算机视觉任务都有着紧密联系,目的是为了实现对光源颜色的校正,呈现与人类对世界感知一致的图像。现有的经典颜色恒常算法大多基于图像的低层特征来开展计算,没有考虑人在观察外界时的心理感知和深层意识对场景语义的理解,所以这类算法的表现效果往往不稳定,适用范围也不广。本文考虑人对图像语义内容的感知和理解,基于高层语义分别建立场景语义分类集和对象语义分类集,并用分类集优化现有算法,实现颜色恒常计算。论文基于图像的高层语义提出了两种颜色恒常计算方法:一、基于图像场景语义的颜色恒常计算:根据Grey Edge颜色恒常算法框架分析了Grey World算法、White Patch算法、Shades of Grey算法、general-Grey World算法、1^st-Order Grey Edge算法以及2^nd-Order Grey Edge算法的特点和优劣,并在基于原颜色恒常数据库的基础上建立了室内/室外场景语义数据集,然后在不同分类场景数据集中利用模式搜索法（Pattern Search Method,PSM）优化上述算法参数,实验结果显示该方法的有效性和稳定性;二、基于图像对象语义分类的颜色恒常计算:使用Mask-RCNN深度学习模型对数据库图像内容进行对象语义分割,基于语义主题建立图像对象语义分类集,据此分析改进Grey World算法,实验结果显示该算法明显优于现有算法。