抠图技术广泛应用于图像合成、电影制作、虚拟现实、网络直播、个人视频制作、平面与网页制作,由于场景越来越复杂,传统蓝屏抠图方法已经不再适用,自然图像抠图问题的研究获得了越来越多研究学者和社区的关注。本文从图像修复的角度,利用深度学习工具,着手解决自然图像抠图问题。本文中的主要研究工作和创新点有以下几点:(1)针对现有的基于图像修复的抠图方法流程中,在三分图粗糙时,其在前景和背景修复模块会产生较多冗余信息的问题,本文通过在抠图流程中加入三分图修正模块来解决此问题。这项研究工作的创新点主要是:通过分析了前景和背景修复的过程,认识到当三分图粗糙程度逐渐增大时,会导致抠图精度大幅下滑。因此本文设计了一个新的抠图流程,基于该流程的图像修复抠图方法,达到对三分图粗糙时抠图精度提高的目的。实验部分采用了composition-1k数据集,评估了该方法在三分图粗糙时对抠图精度提高的有效性,并分析在三分图不同粗糙程度情况下对方法的影响。(2)鉴于上述工作的抠图透明度遮罩预测模块使用的是基于像素级的L1距离损失函数,其无法挖掘样本中输入图像和真实透明度遮罩复杂性不一致的困难区域做针对性的训练,因此本文从距离损失函数关联区域的角度设计了一种难例挖掘策略。该策略利用图像的局部复杂性相关特征,挖掘训练集样本中的困难区域,以进一步提高抠图精度。这项研究工作的创新点是:设计了一种度量样本困难区域局部复杂性差异的指标并附加到距离损失函数中,针对训练样本图像中不同区域做不同程度的合理训练。我们通过实验验证本章提出方法对抠图精度提升的有效性。最终结合整篇文章的工作,我们与主流的抠图方法在公开数据集上进行了对比实验,通过与多个算法的对比分析,本文提出的算法在抠图精度和细节上表现最佳。