彩绘文物是宝贵的历史研究材料。线稿作为彩绘文物的重要组成,反映了文物图案的绘画结构,在文物修复和保护传承中具有重要作用。传统的线稿提取主要采用人工临摹的方式,不仅效率较低而且临摹准确度也因绘画水平不同有所差异。而基于图像处理的线稿提取方法可以高效且客观的提取线稿,具有广阔的应用前景。但是由于彩绘文物病害较多,图像背景复杂,现有方法提取效果还有较大的提升空间。近期深度学习在图像处理领域广受关注,取得了较传统特征提取等方法更好的效果。本文基于深度学习,从线稿提取与线稿生成两个角度,分别基于卷积神经网络以及基于生成对抗网络对计算机线稿提取与生成方法开展研究,以提高线稿提取效果。主要研究内容如下:（1）受边缘检测算法启发,提出一种基于CNN（Convolutional Neural Networks）的细节感知层次化彩绘文物线稿提取方法。该方法将线稿提取分成粗提取与细提取两个阶段。粗提取在迁移学习的框架下将基于流的高斯差分算法与双向级联网络结合,减轻了大型数据集对深度网络训练的要求,并利用先验知识引导网络关注并学习细节特征。细提取设计的MSU-Net（Multi-Scale U-Net）模型将网络的解码器多个中间层特征融合,有效去除病害噪声并细化线稿。实验表明,该方法不仅能够提取更丰富、完整的线稿,还能够处理较复杂的背景,在主观和客观指标上均有更优的结果。（2）受图像翻译思想的启发,提出一种基于GAN（Generative Adversarial Network）的梯度引导双支路彩绘文物线稿生成方法。该方法通过两个独立的GAN设计了线稿生成支路（Sketch Generation Branch,SGB）和梯度图像生成支路（Gradient-image Generation Branch,GGB）以学习不同且互补的特征。在此基础上设计了一个特征传输模块将SGB的上下文信息传输到GGB的中间级以补充,使得GGB的梯度特征更加连贯完整;另外又设计了一个融合模块实现从GGB到SGB的梯度引导,使生成的线稿更加关注形状和细节,并抑制噪声。实验表明,该方法较其他七种方法能够生成丰富且干净的高质量彩绘文物线稿图像。