对于计算机视觉或图像处理相关课题来说,色彩是一种重要的信息。而图像的颜色由物体表面的固有特性与光源色彩决定,光源的变化将使得色彩信息不再可靠,为了解决该问题,色彩恒定性算法致力于消除非标准光源或者成像设备中光传感器对图像色彩产生的影响,使得图像中色彩信息趋于恒定,为其他计算机视觉相关技术提供稳定的信息。但是,此项任务本身就是一个病态的问题,会受未知光源、物体材料以及外部成像因素等诸多因素影响,这也使得现阶段该任务算法性能的提升遭遇瓶颈;此外单光源色彩恒定性数据集均存在标签模糊性这一难以避免的问题,因此现阶段该任务算法往往还具有鲁棒性低,泛化能力差等问题。为了解决上述问题,本文主要开展了以下研究工作:1、本文提出基于残差学习的精细化策略,来对原始光源估计值进行修正。通过选用基于统计与基于学习的卷积神经网络的色彩恒定性算法作为基础模型获取初始光源估计值,进而设计精细化优化模块拟合初始光源估计值与真实光源值之间的残差值,缓解该类算法性能瓶颈问题并解决了由于数据集标签模糊性带来的鲁棒性低的问题。本文分别验证了基于统计与基于学习的精细化优化的可行性。实验表明基于学习的精细化模块更具灵活性,且当使用基于学习的算法作为基础模型时,其效果更佳。2、本文根据1中验证结果,将对卷积神经网络进行可学习的精细化改进这一结构作为重要研究对象。为了最大程度的发挥该结构的精细化效果,以及使得该结构前后信息流通并辅助学习,本文经过讨论设计出了级联网络结构以及累乘损失函数,进而提出了一个全新的算法——级联卷积色彩恒定性算法。并且,在相同实验设置下,本算法在公开数据集中角度误差的均值Mean度量与Worst-25%度量均超过了前沿算法,突破了该任务一直以来的性能瓶颈,并展现了良好的鲁棒性;同时在跨数据集实验中,角度误差的各项度量均超过了前沿的基于学习的算法,在与前沿的基于统计算法相比时也具有不错的可比性,充分证明了该算法的较好的泛化性。