在含印章的文档图像（以下简称印章文档图像）的识别过程中,由于印章与文档字符的重合,造成了字符间的粘连和字符结构变化,严重影响了识别的精度。因此,准确地提取与去除文档图像中的印章,对文档字符识别、印章检索和印章鉴别等研究领域十分关键。由于文档样式的多样性和人工盖印效果的复杂性,现有的印章提取与去除方法难以取得很好的效果,且通用性较差。同时,目前也没有一个统一的方法或模型可同时实现印章的提取与去除。针对上述问题,本文提出了一种结合目标检测算法与图像转换算法的两阶段印章提取与去除方法。首先采用YOLOv5目标检测算法对印章进行检测定位,降低文档字符被错误处理的概率。然后,通过对图像转换算法进行研究,提出了两种可同时实现印章提取与去除的深度学习网络模型,具体研究工作如下:（1）提出基于改进循环一致性生成对抗网络（Cycle-Consistent Adversarial Networks,CycleGAN）的印章提取与去除生成对抗网络（Seal Extraction and Removal Generative Adversarial Network,SERGAN）。针对CycleGAN难以进行多域图像转换的问题,构建双分支生成网络以同时生成印章图像和无印章文档图像,通过结合两种生成图像的信息重建印章文档图像,增强网络的循环一致性约束。此外,采用改进的U-Net网络作为生成网络,并引入注意力机制,以增强网络对目标特征的敏感度。同时,通过增加上采样与下采样网络层数,并使用卷积代替池化进行图像的下采样,以减少池化操作引起的信息丢失,提高网络的特征学习能力。（2）提出一种基于自监督学习的印章提取与去除网络（Seal Extraction and Removal Network,SERNet）。针对标签图像缺乏问题,提出一种印章文档图像的融合方法,并基于该方法建立样本量丰富的合成文档图像数据集。同时,采用新型的印章分割-提取与去除级联式网络架构,利用分割网络输出的印章掩膜图像提高模型对前景特征的处理速度。此外,引入由内容损失、感知损失和重建损失构成的联合损失函数进行训练,以加速网络的收敛,增强网络的印章提取与去除能力。实验结果表明,SERGAN相较于CycleGAN在印章提取与印章去除任务中,其MOS评分分别提高了47.2%和14.5%。同时,SERNet在合成印章文档数据集与真实印章文档数据集中均取得了较高的评价指标和最优的视觉效果。这表明本文提出的两阶段印章提取与去除方法不仅能准确地对印章文档图像中的印章进行检测和定位,同时还能有效地提取与去除印章区域中的印章。该方法为后续的研究提供了有力的技术支持,具有一定的应用价值。