抠图（Matting）是指将静态图像或者视频图片序列中的前景对象精确提取出来的过程。如今抠图技术已是计算机视觉领域中的关键技术之一,更是图像合成技术的基础,已广泛应用在了虚拟演播厅、影视剧的制作、图像编辑等多个领域中。而在实际应用中,由于图像复杂多变导致抠图实施起来十分困难,为了降低抠图的复杂度,在处理抠图问题时通常需要用户提供一个先验信息。该先验信息一般以三分图（Trimap）的形式来呈现,尽管三分图的出现大大降低了处理抠图问题的难度,但抠图算法性能的好坏很大程度上取决于三分图的精确度,而一幅精确的三分图往往需要耗费大量的人力物力,这在现实生活中显然不可取。并且传统抠图算法十分依赖图像的颜色、纹理等低级信息,导致这些算法在处理图像中如毛发、孔洞、前景边缘等细节时往往会出现较大的错误。本文深入分析了图像抠图存在的问题,从优化用户提供的先验信息出发,重点研究基于图像深度特征信息的自然图像抠图算法。本文的主要创新点包括:（1）提出了基于编解码网络的三分图优化算法。由于在一幅粗糙三分图的未知区域中含有大量前背景中的像素,影响抠图算法最终获得的透明度遮罩图的质量,为了解决该问题,本文将其看作一个对像素进行三分类的问题来处理,利用编解码网络对图像深度特征信息的提取能力,在交叉熵损失函数的指导约束下,最终实现了对未知区域中每个像素的精确分类,从而解决了三分图粗糙的问题,保证了用户提供的三分图的精确度。（2）提出了基于嵌入改进SK-Net的DenseNet抠图算法。过度的依赖图像中颜色、纹理等低级信息势必会影响抠图算法的性能,本文利用DenseNet网络模型充分提取图像中的深度特征,有效改善了传统抠图算法过度依赖图像低级信息的缺点。并且在DenseNet中嵌入改进后的Sk-Net网络,大大增强了有用深度特征信息在网络模型中的传播,并且抑制了无用特征信息的传播。通过使用CF算法与KNN算法的抠图结果作为网络模型输入的一部分,有效的协同利用了图像中的局部与非局部信息。最终,通过对网络模型的训练达到了预期的效果,实验结果表明,该方法能够有效的预测出图像的透明度遮罩图。（3）提出了基于GAN网络的抠图算法。基于深度学习的抠图算法改善了传统抠图算法过度依赖图像低级信息的缺点,但是大部分基于深度学习的抠图算法忽略了对于深度特征信息的多级联结以及多尺度融合,致使这些算法在处理一些结构复杂的图像时,依然会出现较大的错误,因此,本文利用GAN网络强大的生成能力,使用嵌套的编解码网络作为GAN网络中的生成器,改善了该问题。通过使用自校准卷积代替普通的标准卷积,在不显著增加计算量的同时提高了网络模型对图像深度特征信息的提取能力。最终,通过对网络模型的训练达到了预期的效果,最终实验结果表明,该方法也能够有效的预测出图像的透明度遮罩图。通过实验证明,本文提出的方法能够有效的改善现存抠图算法的缺陷,提高透明度遮罩图的质量,推动抠图技术的发展,使之在图像合成、影视剧制作等方面的应用更加广泛。