在人工智能和互联网等新兴生产力的驱动下,多种科学技术在不断创新中取得突破,其中智能移动设备的拍摄功能尤为显著,其浅景深处理功能也逐渐受到人们的青睐。而随着该领域研究的不断涌现,浅景深处理技术得到不断的改进与完善,但现有研究工作仍存在一定的不足:一方面在传统景深渲染方法中,对设备硬件要求较高,难以应用于现实生活,而基于卷积神经网络的方法虽然可在部分移动设备上进行浅景深处理,但由于硬件条件不足而难以获取所需的感知信息,导致浅景深效果过于简单且缺乏灵活的主体可控性。另一方面,大多数生成式对抗网络（GAN）在浅景深处理过程中,往往是无差别地提取整张输入图像的特征,导致网络难以区分图像的前后景,从而容易出现图像失真的现象。为解决上述问题,本文基于卷积神经网络的图像感知算法,以及生成式对抗网络两种途径对浅景深处理技术进行相关研究。本文主要研究内容如下:（1）为了解决缺乏感知信息而导致浅景深图像效果不佳的问题,本文提出了一种基于图像感知的智能定焦与融合浅景深处理方法。通过结合图像实例分割、单目视觉景深估计、注意力可视化三种感知算法以获取图像的感知信息,并利用三种感知信息对原始图像进行浅景深处理、图像融合以及边缘优化处理,在实现前景目标智能定焦的同时,使生成的浅景深效果具有层次感。经实验结果表明,本文提出的方法仅依赖单张图像即可实现灵活的智能定焦功能,并使最终的浅景深效果更符合视觉美感,同时其前后景间的边缘过渡得平滑自然,在与现有智能手机的浅景深处理功能对比中,本文生成的图像效果更佳。（2）为了进一步提升浅景深处理的效率与生成图像的质量,本文提出了一种图像感知引导Cycle GAN网络的浅景深处理方法。通过引入图像感知信息以提升模型性能,其中图像感知信息包括注意力信息和景深信息,前者用于引导网络关注不同的前后景区域,从而区分前后景,而后者用于增强前景目标的感知信息,并减少图像出现失真的现象,使生成的浅景深效果更佳。经实验结果及数据表明,本文提出的方法在浅景深处理过程中能有效区分前后景,并改善图像失真的现象,使生成的效果更加真实。此外,在与现有方法生成的图像效果对比中,通过采用问卷调查的方式进行评判,统计结果表明,本文生成的图像质量最好,其模型大小与生成图像的速率也具有明显的优势。针对现有问题,本文提出的两种浅景深处理方法均能有效提高浅景深效果的质量,其中提出的基于图像感知的智能定焦与融合浅景深处理方法不仅能降低算法依赖的硬件条件,同时可以获取多类图像感知信息以实现智能定焦功能和丰富浅景深效果,而提出的图像感知引导Cycle GAN网络的浅景深处理方法,则能有效解决浅景深图像失真的问题,保证了浅景深图像的高质量,并提升生成图像的效率。