图像是一种重要的信息载体,相比于无颜色的草图,彩色图像具有更丰富的视觉信息。然而,手动对图像进行着色是一个耗时耗力的过程,因此自动着色问题具有很高的研究和应用价值。近年来,许多研究人员将深度学习技术应用到了自动着色问题中,并已经实现了一些低成本、简单、快速的自动着色模型。然而,模型通常缺乏对草图中语义信息的理解,无法准确地识别出草图中的不同区域,导致自动着色的结果中容易出现颜色渗透、着色错误等问题。基于此,本文将图像的语义信息显式地引入到图像着色任务中,提出了一种基于半监督语义分割的草图着色模型。本文主要分为三个部分。第一部分介绍了图像着色的现状、研究目的与意义;第二部分针对我们研究涉及的相关理论与算法进行了介绍;第三部分提出了基于半监督语义分割的的草图着色模型,这也是本文的创新点,具体工作包括:（1）数据集的构建与标注,从彩色图像中处理得到草图,对部分数据进行语义标注,从而为半监督语义分割模型和着色模型提供训练数据;（2）利用半监督语义分割模型,获取草图的语义信息。此算法基于一致性正则化思想,具体而言,本文将Mean Teacher扩展到Deep Lab-V2模型中,通过约束模型对诱导扰动的鲁棒性实现半监督;（3）利用自动着色模型,对草图进行自动着色。此算法基于Tag2Pix模型,网络将草图、对应的语义图像和颜色标签作为输入,通过U-Net提取草图和语义图像的高维特征,并在解码过程中不断融入颜色标签信息,实现自动着色功能。实验结果表明,本文方法通过将语义信息引入到着色问题中,可以提升着色质量,缓解颜色渗透、上色错误等问题。