唐卡作为藏文化的主要载体,是探寻藏族传统文化和宗教习俗的窗口,对唐卡图像中主尊类别的识别和关键对象的检测可以帮助相关学者获得唐卡图像重要语义信息,进而为人们解读图像内容、感受藏族活态文化提供帮助。近年来,随着计算机技术的快速发展,越来越多的图像处理技术被应用于唐卡文化的保护与传承中,本文基于深度学习方法对唐卡图像展开研究,主要研究工作和创新如下:（1）唐卡主尊分类识别方法研究。DenseNet特有的级联方式能缓解深层训练时的梯度消失现象,但同时导致大量的冗余信息复用;此外,该方法并没有从特征维度出发学习特征通道间的权重相关性,因而特征提取过程效率低。针对以上问题,本文提出了一种融合DenseNet与SENet的SMAD模型用于唐卡图像分类。具体而言,该模型在保留DenseNet结构优势的基础上,在每个密集块与转换层中间融入了用于权重自适应标定的SE模块。同时,以Leaky Re LU作为DenseNet瓶颈层的非线性激活函数,并且对SENet的池化函数进行改进。最后在构建的唐卡主尊类别数据集上验证了模型的有效性,实验结果表明,改进后的模型性能优于传统DenseNet,准确率达到95.51%。（2）唐卡主尊关键对象检测方法研究。唐卡主尊头饰与台座样本量少、台座目标尺寸不一和目标之间有较多重叠,以数据驱动的传统检测模型不具有适应目标形变和目标重叠的能力,对唐卡主尊关键对象的检测做不到准确定位和精确识别。因此,本文以唐卡主尊头饰与台座为研究对象提出了一种基于Res Net和可变形卷积的小样本检测方法。首先,调整优化Res Net网络层次结构,减小中间层网络深度的同时增加浅层网络深度,从而使网络更加关注唐卡图像的细节信息,降低图像特征损耗和减少计算量;其次,在特征提取阶段融入可变形卷积,目的是适应目标的形变和关注目标的关键特征信息,以达到精确提取唐卡图像特征的目的;最后,在边框回归阶段使用提出的双阈值非极大值抑制算法实现重叠目标的检测,降低目标漏检和重复检测率以进一步提高检测精度。在唐卡数据集上的实验结果表明,所提方法与FSOD模型相比性能更优,2-way 5-shot任务下的AP和AP50分别达到为33.3%和71.2%,相较于传统模型分别提升了4.7%和5.3%。