图像颜色处理常被广泛运用于人们生活和科学研究当中。随着人工智能的迅猛发展,人们自然地将深度学习技术与灰度图像预测相结合,且取得了较好的效果。随着越来越多的服务要求更高质量的着色效果,为满足相应的需求,一些成果设计了网络结构更复杂、层次更深的模型。然而,这些变化会导致模型参数空间变得十分庞大,无法移植到计算能力或内存受限的环境。此外,部分基于深度学习的模型不能很好对具有复杂语义的图像进行着色,因为它们不能有效地定位和学习有意义的实例级语义。因此,利用轻量级神经网络,并结合实例级语义信息进行图像着色对解决以上问题具有重要意义。本文基于轻量级神经网络与弱语义分割研究灰度图像着色问题,主要内容如下:设计了具有全局特征的着色模型和弱语义分割的着色模型,并且构造一种新的损失函数。结合Mobile Nets中的深度分离卷积与图像分类全局特征,构建具有全局特征的轻量级着色模型。与现有模型相比,该轻量级着色模型能在网络模型参数为8.38MB和计算复杂度1.36G的情况下取得不错的效果;同时,在上述轻量级着色模型研究基础上,引入弱语义分割的模块。改进后的模型可以提取图像中的实例级语义信息,在VOC2012测试集实验中获得峰值信噪比23.85d B,从而实现更加合理的着色。设计了一种基于GAN的动漫人脸生成模型,并且利用压缩技术对该模型进行压缩。结合U-GAT-IT中的Ada LIN归一化函数和注意力机制构建该模型,并通过Slimming技术对该模型进行剪枝。可在计算复杂度较小的情况下,保证生成动漫人脸的效果。最后,本文也探索了人脸3D重构问题,呈现了从素描人脸重构3D真实人脸以及从真实人脸重构3D动漫人脸的实验效果。