颜色恒常性任务的目的是为了将人眼的颜色恒常性能力赋予计算机,从而可以将非标准光源下图像校正为标准光源下图像。该研究可以作用在图像识别、图像分类等图像处理任务的前序工作中,帮助拍摄后色彩不佳的图像恢复原有色彩,从而提升后续工作的识别能力和效果,是计算机视觉中重要而又基础的一项任务。目前的大多数算法在实现颜色恒常性任务时首先假设场景中仅存在一个均匀分布的光源,即光源真值为RGB空间的一个向量,图像中每个像素点的光源值都是相同的。但实际情况往往是多个光源非均匀分布在整个场景中,与假设场景有较大差距,而存在多个光源和光源非均匀分布也正是颜色恒常性任务的难点。针对颜色恒常性任务存在的这两个难点,本文开展了相关场景下颜色恒常性任务的研究。利用生成对抗网络强大的学习能力,本文设计了单光源非均匀分布和多光源非均匀分布两种场景下的颜色恒常性模型,有效提升了校正图像的效果。本文的主要研究内容如下:（1）介绍颜色恒常性任务的相关研究背景和国内外研究现状,阐述本课题的研究意义,对颜色恒常性常用模型、不同场景下的颜色恒常性衡量指标以及生成对抗网络的相关理论进行介绍,并深入分析了颜色恒常性任务存在的两大难点。（2）针对光源非均匀分布的问题,本文在单光源非均匀分布的场景下设计了一种基于生成对抗网络的单光源颜色恒常性模型,该模型通过编码网络将图像拆解成内容编码和光源编码,再改变光源编码为目标光源编码从而将图像转换到目标光源下,实现颜色恒常性。同时为了丰富光源信息以及区分不同光源编码合成的图像,加入光源采样模块和光源监督模块。实验结果表明,该算法可以较好地解决光源非均匀分布的问题,校正后的图像更加接近标准光源下图像。（3）针对多光源场景下光源非均匀分布和存在多个光源的问题,本文设计了一种基于生成对抗网络和深度信息的多光源颜色恒常性模型,在输入中加入图像的深度图,融合深度信息以及深度图中包含的物品轮廓和位置信息,帮助网络学习光源分布情况,实现非标准光源下图像的直接校正。实验结果表明,该模型更好地解决了颜色恒常性任务的两个难点,校正后的图像细节更加接近真值。