对灰度图像着色是图像处理系统的重要研究内容,图像着色在旧照片修复、文物色彩还原、影视处理等方面都有着十分广泛的应用。原始的着色技术有基于人工着色的局部颜色扩展和基于参考图像的颜色传递两种方法,但是由于这两种方法人为影响的因素比重过大,使得着色的效果并不是很好,而且不能够用于大量的图像着色。随着科技越来越发达,由于人工智能技术和智能软硬件设备的普及和高速发展,人们不断考虑将各种机械化、程序化的设备智能化,并利用人工智能相关技术自动处理去解决一些主观、重复、繁杂的任务。在人工智能大环境之下,计算机视觉的快速发展也随之而来。将深度学习与图像处理结合起来也势在必行。本文是以基于深度学习的图像着色对比几种方法的分析与实验:(1)针对原始图像着色需要人为参与,并且效果差异明显的缺点,以及原始生成对抗网络的缺陷,因此提出条件生成对抗网络进行图像着色,经过实验发现,条件生成对抗网络虽然可以生成彩色图像,但是由于不可控性,导致结果也不是最佳;(2)为解决条件生成对抗网络生成彩色图像效果不佳的问题,因此我们提出图像翻译算法,并在生成对抗网络的基础上进行改进,解决了条件生成对抗网络的不可控性,并与其他算法进行对比,实验证明了图像翻译的有效性和优越性;(3)图像翻译适用于大数据集的情况下的着色,为防止个别类别数据集不够多,只有少量数据集的情况,为此,提出迁移学习算法来解决这个问题,通过实验验证图像翻译可适用于小数据集的情况下,缩短学习训练的时间。(4)因此本文通过理论与实践,证明了深度学习算法的有效性和意义。