近年来随着深度学习的发展,图像分割技术取得了巨大的进展。我国有数量众多的文物绘画图像,研究高性能、高准确度的图像语义分割算法,在文化创意产业、艺术鉴赏分析等多个领域具有重要意义。但是由于文物绘画图像数据在线条、色彩、人物目标形状等方面的特殊性,常见的图像分割神经网络结构无法产生很好的分割效果,而且对古代绘画图像中的线条、边缘的处理比较粗糙。针对以上问题,本文基于深度学习,研究古代人物绘画图像的图像分割问题。本文的主要算法与成果如下:(1)提出基于空洞卷积与超列特征的图像分割神经网络。本文在全卷积神经网络结构的基础上,引入空洞卷积,同时采用超列特征模块,整合卷积神经网络中浅层次特征与深层次特征。本文基于大型核卷积,设计了像素分类模块,对超列特征进行处理,得到比较好的分割效果。(2)提出结合神经网络与Graph-Cut算法的精细化分割算法。针对神经网络处理古代绘画图像中的线条、边缘比较粗糙等问题,本文结合图像分割神经网络对Graph-Cut算法进行改进。改进后的算法可以矫正图像分割神经网络的分割结果,得到古代人物绘画图像的精细化分割结果。本文算法在通用图像分割数据集CamVid和PASCAL VOC 2012上进行了对比实验,得到了比SegNet等神经网络模型更好的效果,证明了本文提出的图像分割网络模型的可行性。本文算法还在以古代人物绘画为主的艺术图像数据集上进行测试,取得了非常好的效果,证明了本文的分割算法对于古代人物绘画图像分割问题的有效性。