颜色在许多计算机视觉的问题中都起到了关键性的作用,相比于灰色图像,彩色图像的使用为图像分类、目标检测等问题都提供了额外的彩色信息。图像着色是考虑给灰度图像赋予彩色信息的具有挑战性的问题,在学术和工程等各个领域都有着广泛的应用。同时随着计算机的发展,深度学习具有自动学习出模式特征的特点,能够高效地将特征学习融入到模型的建立,减少人为干预。因此,使用深度学习的方法解决图像着色的问题已成为不可避免的发展趋势。根据图像着色的基本映射关系和深度学习的知识,本文提出一种基于深度学习的两阶段式端到端图像着色网络模型框架,对于给定的一张灰色图像映射出三维的三维彩色图像输出。该模型框架的两个阶段分别为,使用初步着色网络对灰色图像赋予基本的颜色,后使用颜色块对初步着色网络生成的图像进行校正,使得最终输出的结果更加接近真实图像。因此,本文主要完成以下几个工作:第一,本文设计了一种两阶段式的灰色图像着色网络框架。首先设计了一种基于纹理特性的颜色块生成模型,由于直接生成彩色图像的模型构建通常受到数据集中图像颜色多样性的限制,本文期望利用输入灰色图像的LBP纹理特征生成五个不同颜色的颜色块预计结果;在第一个阶段,基于条件生成对抗网络设计初步着色网络模型,将预测的颜色块与灰色图像进行融合得到初步着色结果。第二个阶段,基于生成对抗网络设计使用颜色块指导校正的颜色校正模型,利用颜色块对初始着色结果进行颜色加强,使得输出结果更加完备。第二,针对使用生成对抗网络进行图像着色时可能出现的色偏的问题,设计了一种基于色偏校正和信号估计的强相关惩罚函数,用于约束网络的训练方向,使得生成出来的图像更加接近真实图像。实验验证了论文所提方法的有效性。通过实验证明,本文提出的基于深度学习的图像着色算法具有一定的应用价值,可以一次性的着色大批量的图像,具有一定的有效性和现实意义。