半调技术将连续色调图像转换为二值图像,广泛应用于印刷业。逆半调将二值图像转换为连续色调图像,不仅减少图像中的半色调图案,还提供良好的细节和清晰的边缘,逆半调算法应用广泛。逆半调是一个不适定问题,逆半调算法研究是挑战性与前景并存的研究课题。深度学习发展迅速,越来越多性能优异的基于深度学习图像处理算法被提出,本文基于深度学习对逆半调问题进行求解,提出两种图像逆半调算法。生成对抗网络通过对抗过程训练生成模型,本文提出两种基于有监督GAN的改进图像逆半调算法。(1)结合稠密卷积神经网络和生成对抗网络的优点,提出结合紧密连接模块和有监督GAN的图像逆半调方法,促进特征信息在网络中的传播,加强特征重用,减少参数数量,实现特征提取,提取丰富的特征信息;(2)结合经典残差网络和生成对抗网络的优点,提出结合残差学习和有监督GAN的逆半调算法,生成器中包含若干残差块,残差块中的跳跃连接能缓解梯度消失现象,提升了网络提取特征的能力,更好地完成图像重建任务,结合残差模块的有监督GAN擅长进行特征提取。实验分别在误差分散半调图像和有序抖动半调图像上展开,实验结果表明本文提出的2个改进算法表现良好并且提高了逆半调图像质量,与其他逆半调方法相比具有好的逆半调效果。实验结果说明生成对抗网络没有发生模型坍塌问题,本文提出的两个逆半调算法能够有效地去除半色调图案。此外,本文还研究了深度学习正则化算法。本文依据现有深度学习正则化算法特性,提出如下改进算法:(1)基于AutoAugment、SpatialDropout相结合的正则化算法,(2)基于AutoAugment、SpatialDropout、DropBlock相结合的正则化算法,最后,将两个改进算法分别应用于基线模型Wide-ResNet-28-10上,利用正则化算法避免过拟合问题,通过Tensorflow在两个对象识别基准任务(CIFAR-10和CIFAR-100)上评估我们提出的改进算法,分析研究数据可以挖掘有效信息,仿真结果表明神经网络具有高的预测精度及好的泛化能力。与其他正则化方法相比,实验结果表明两个改进算法的处理效果更好,两个改进算法可用于解决其它相似的分类识别问题。