图像拥有丰富的颜色不仅能清晰地表达一个事物的特征,也能方便人们进行信息交流,对灰度图像进行彩色化不仅是一个热门的研究课题,而且具有一定的挑战性与现实意义,其研究成果也在各行各业得到了广泛应用。本文针对当前彩色化算法中存在彩色化时间较长和颜色误扩散问题,利用深度学习方法对图像彩色化进行了研究,具体工作与成果如下:（1）研究了基于神经网络与Reinhard算法的图像快速彩色化方法。首先,利用LBP特征值矩阵代替神经网络特征提取层,加快了神经网络的训练与图像生成速度;然后将图像灰度值矩阵与LBP特征值矩阵进行点对点二维匹配,从而把图像矩阵的分类问题转换成对二维坐标点的分类,摆脱了模型对训练数据集的依赖,降低了模型复杂度;接下来利用目标灰度图像细节轮廓最为清晰的特点,将HSV空间转换后的亮度分量与灰度图像自身进行融合,从而找回了神经网络在图像生成过程中的丢失的纹理结构信息,不仅有效去除了噪声,同时增强了图像清晰度,优化了图像质量;最后利用Reinhard算法颜色迁移速度快的优势,进一步缩短了算法运行时间。通过对比发现:本文提出的彩色化方法虽然也存在少量颜色误扩散现象,但与其他彩色化算法相比,无需大量训练数据,彩色化速度更快,不仅效果上贴合人眼视觉习惯,而且通用性很强。（2）研究了基于注意力机制自动抠图与Welsh算法的灰度图像彩色化方法。首先,为了消除图像背景无效区域对彩色化效果的影响,本文提出了一种“分而治之”的彩色化思想,利用注意力机制与特征融合的方法对参考彩色图像进行精细抠图,分离出前景有效区域,不仅减少了算法中在图像遍历过程中参与运算的像素点数量,而且有效克服了颜色误传递现象;然后利用Retinex算法对分离出来的前景有效区域进行图像增强,以强化图像中暗部区域清晰度,提升参考图像质量;接下来对目标灰度图像做全局直方图均衡化处理,使灰度图像亮度值分布更加均匀,增强目标图像的对比度,突显出图像局部纹理结构信息,减少颜色误扩散;最后利用改进的Welsh算法进行颜色迁移,有效缩短了算法整体运行时间,并实现了最终理想彩色化效果。通过实验对比表明:本文提出的彩色化方法不仅运行速度快,而且有效克服了颜色误传递现象,所生成的彩色化图像质量较高,该彩色化思想对后续彩色化算法研究具有一定的启发性。