图像着色在计算机图形学方面应用广泛,已然成为图像处理领域的研究热点。随着近年来深度学习的快速发展,图像着色技术有了进一步提升,但现有方法并没有针对人物图像的单独研究,且存在着色效果单一和色彩不真实的现象。本文基于卷积神经网络针对人物图像的合理着色进行研究,并围绕着色效果的真实感、人工交互的引导以及着色的多样性为目标,论文的核心工作与研究成果主要有以下几个方面:（1）实现人物图像精准分割。为了针对人物图像进行研究,本文从Image Net数据集中选取了人物类和植物类约五千张图片,制作了仅包含人物和背景的小型数据集。为了获取图像分割结果,本文改进了U-net网络,进行三次下采样和三次上采样,增加了扩张卷积,并使用sigmiod激活函数代替Re LU（The Rectified Linear Unit）激活函数,将批量归一化BN（Batch Normalization）放在激活函数之前,可减少网络的训练时间,实现更高质量的分割效果。（2）实现图像场景的合理着色。由于场景着色真实感不足,本文使用一种全局提示网络的方法,通过局部均值法降低真实图像颜色的分辨率,将其转换为HSV（Hue,Saturation,Value）颜色空间并计算全局直方图,然后利用欧几里得距离匹配最佳图像。最后使用融合层将全局提示网络连接到主着色网络,以达到图像场景合理着色的目的。（3）实时生成多种合理的着色效果。端到端学习框架的优点是可以适应不同类型的输入,实时生成着色效果。在此基础上,本文增加一个局部提示网络,获取CIE L*a*b*量化的ab色域,并采用K-均值聚类找到图像中色彩的分布模式,进而为灰度图提供离散的颜色建议。然后,使用高斯取样设置用户控制点,通过人工交互实现图像着色的多种效果。最后,本文设计并实现了黑白人物图像的着色系统,展示了实验结果与分析。结果表明,本文所述方法能满足人物着色效果的真实感和多样性的需求,对图像着色的研究具有重要的指导意义。