智能裁剪通过对原始图像进行裁剪的方式来生成美学质量更高的图像。随着手机拍照的普及,智能裁剪任务已经拥有了大量的潜在用户,相关的研究也取得了很大进展,但在裁剪算法投入大规模应用之前,还有一些问题亟待解决。本文从实用性的角度出发,分别针对提取裁剪子图间关系、融合显著信息、提升智能裁剪模型在无标签目标域中的泛化能力三个问题开展了研究。首先,本文研究了裁剪子图间的关系,指出裁剪子图间存在美学质量关联和空间位置关联。本文通过两个图卷积结构分别提取裁剪子图间的美学关联特征和空间关联特征,并构建了基于训练样本裁剪子图美学评分的美学关联矩阵与基于训练样本裁剪子图空间位置的空间关联矩阵作为两个图卷积邻接矩阵的监督。而后,本文将原始图像全局特征根据裁剪子图重采样生成的区域特征与前面提取的关联特征相结合,用于预测裁剪子图的美学评分,实验证明裁剪子图间的美学和空间关联信息有助于智能裁剪模型找到美学质量更高的裁剪结果。其次,本文将显著性信息融合到裁剪模型中,辅助模型理解原始图像中的重要区域,进而提升裁剪模型的综合性能。区别于现有智能裁剪算法的融合形式,本文提出了将显著性信息作为输入和监督的两种融合模式,其中将显著性信息作为输入时尝试了三种融合显著性特征和美学特征的方案。通过实验,本文找出了更适合于裁剪任务的特征融合方案,即注意力图加权融合方案,并验证了该方案的有效性。之后,本文将显著性信息与裁剪子图间关联信息相结合,进一步提升了有监督情况下智能裁剪算法在GAICD数据集上的裁剪效果。最后,本文指出了有监督智能裁剪模型在跨域时性能下降的问题,并通过实验证实了裁剪任务中存在的域偏移问题。本文进而设计了一种基于对抗域适应的裁剪算法,通过域判别器来辨别样本来自哪个域,然后将目标域样本的梯度反转,使特征提取器学习到混淆源域和目标域样本的能力,对齐目标域和源域数据的样本分布。此外,本文采用参数不同的美学评分器辅助提取了基于裁剪任务的不变特征。在跨数据集和跨场景域上的实验证明了本文算法能有效提升裁剪模型在无标签目标域上的泛化能力。智能裁剪算法可以高效便捷的替代人工裁剪操作,具有巨大的潜在应用市场,本文也站在实用性的角度,分析了当前智能裁剪算法存在的问题并提出了相应的解决方案。本文从裁剪子图间相关性和融合显著信息这两个问题出发,设计相应策略,增强了智能裁剪模型在有监督情况下的性能,强化了裁剪算法生成高美学质量图像的能力。考虑到智能裁剪中的域偏移问题,本文进一步设计了域适应策略提升了裁剪模型在无标签场景下的泛化能力。