图像抠图问题在数字图像处理领域一直以来都是一个基础问题,其基本的定义为将显著的目标物体从原始图片中精细的剥离出来。在图像编辑中,设计师群体经常需要通过抠图软件进行手动的抠图工作,这大大增加了图像编辑的时间。随着社交网络的发展,人们已经逐渐不满足于单一的文字交流方式,很多人都选择通过分享日常图片的方式与人交流,日常生活中人们也经常有图像编辑的需求。一个精确的人像抠图系统对于图像编辑工作者或日常生活中有抠图需要的人具有重要的意义。针对以上场景本文通过对自然场景下的抠图算法进行研究,将基于深度学习的抠图算法应用在现实场景中,具有广泛的使用价值。抠图问题是一个病态问题,求解该问题通常需要采用额外先验信息,然而先验信息在以往的研究中需要通过人为标记获取,这大大降低了抠图算法的易用性。为了达到自动抠图的目的,通过研究分割任务与抠图问题之间的联系,采取经过数字图像中形态学变化的分割结果作为抠图任务的额外先验信息,免去人工标记的步骤。根据在人像分割数据集上不同的基于深度学习分割算法的性能对比研究,选取性能最优的分割算法作为抠图任务的前置步骤。并采用不同的抠图算法在自然场景人像抠图数据集上的表现进行深层次的性能研究,通过对比分析发现采用深度神经网络技术的抠图算法在人像抠图任务中具有最佳表现。另外的,Pytorch深度学习框架和Py Qt5图像界面框架分别用于搭建分割与抠图的神经网络模型和系统图像界面的设计,进一步完成整个自动人像抠图系统的搭建。自动图像抠图算法在人像抠图数据集上进行算法评估,实验表明在人像抠图数据集中基于分割的抠图算法能够得到有效的抠图效果。同时使用真实场景下的人像数据对自动人像抠图系统进行评测,实验表明系统能够满足抠图的时效性与易用性。