近年来,由于多种移动智能设备的出现,使得图像在不同智能设备上的大小适配成为一个严峻的问题,图像的大小不仅要适配屏幕尺寸,还应该考虑图像内容,并且保留重要对象和显著对象。缩略图的生成是图像处理领域中重要的研究内容,日常生活中缩略图随处可见,例如各大电商平台与门户网站,需要在有限的空间之内尽可能地向用户传递更多信息,为了减少传输时间与提高浏览效率,提出了缩略图的概念。缩略图的生成不仅要考虑图像尺寸,而且需要注意图像全局信息、结构光滑性和突出表达重要对象等几个重要问题。在生成缩略图任务中,首先需要确定原始图像的重要区域,由于图像前景中包含的重要区域通常是显著目标或者重要目标,包含了原始图像的主要信息,因此需要尽可能的将重要区域中的内容完整保留,包括其几何形状与原始的比例大小。其次,需要对图像背景中的内容进行适当删减,在不影响原始图像内容的前提下将图像调整至目标大小。一些传统方法中,通常是对前景中的重要目标的像素进行小幅度的删除,而背景的非重要区域则进行较大的删减,这会导致缩小后的图像发生不规则的扭曲变形,从而失去了原始图像中的代表性内容。目前深度学习方法日渐成熟,并且广泛的应用于缩略图工作,通过使用大量的数据集来训练神经网络模型,使得缩略图生成的质量越来越高。目前主流的深度学习算法是依靠神经网络来检测重要区域将原始图像进行裁剪,虽然可以有效地保留图像重要信息,但无法适用于多种场景的图像,存在一定的局限性。本文考虑到缩略图的特点与图像场景,将传统方法与深度学习方法相结合,提出了一种新的缩略图生成思想——“分离-融合”。即将原始图像中的重要对象与背景区域分离开来进行不同的处理,最后再融合生成缩略图。主要研究成果如下:（1）对于图像前景的重要区域,提出一种融合注意力机制的显著性目标抠图网络来提取图像的重要区域。网络模型主要包括目标检测模块与显著性抠图模块,先利用Faster R-CNN检测图像中的所有重要目标,然后利用改进的显著性抠图网络模块进行显著性目标检测,最后将重要目标与显著性目标合并抠图,得到图像的重要区域。（2）结合了图像纹理结构提取与深度感知图像缩放方法,输入RGB彩色图像及其对应的深度图,并且考虑了图像的深度信息与最小可觉察误差。先基于新颖局部变异测量来完成纹理去除,再进行基于多尺度图切割能量优化的方法来调整图像缩放,可以有效的去除图像的像素接缝并很好的完成缝合。（3）对于背景图像,通过提出一种扩展的生成对抗网络,将抠图后的背景先修复然后进行内容感知缩放,最后通过构造图的目标与背景之间的对应关系将重要区域与背景融合来生成缩略图。通过定性实验与定量实验对所提算法的效果进行了评估,实验结果表明,本文提出的算法与目前较为先进的缩略图算法相比,显著的提高了缩略图生成的效果。