在光源的一定变化范围内,人眼对场景内物体的表面颜色具有感知不变性的能力。这种消除光源颜色使人眼能够准确看到物体表面实际颜色的知觉特性称为颜色恒常性。尽管人眼视觉系统能够轻松识别处于未知光源下的物体并实现其表面颜色的恢复,但计算机却并不具有人眼视觉系统的颜色恒常特性。在计算机视觉领域中,稳定的颜色特征是很多计算机视觉任务的基础条件,因此许多学者致力于研究颜色恒常性计算问题,以使得计算机也能够稳定的观察到物体表面的实际颜色。受益于卷积神经网络(CNN)的发展,颜色恒常性计算问题取得了实质性进展。本文尝试利用卷积神经网络计算颜色恒常性问题,分别提出了基于强监督和弱监督的算法,取得了令人满意的效果。本文主要做出以下几方面工作:(1)提出了聚合自顶向下语义信息的颜色恒常性方法。卷积神经网络结构的顶层特征包含语义信息,底层特征则显示局部空间细节信息。如果同时考虑语义信息和空间信息则将有益于实现更准确的光源估计。受金字塔模型的启发,提出了一种自顶向下的网络称为TDCC,该网络首先将语义信息从顶层依次传播到底层,得到了多个尺度的包含语义信息的特征图。然后对这些特征图采用置信度加权池化的方式进行光源估计,最后融合多个估计值作为最终的颜色恒常性计算结果。实验结果表明,该方法能够识别到具有固有颜色的物体并为其提供高的置信度权重,进一步提高了光源估计的准确性,从而降低了光源估计的误差。(2)提出一种基于生成对抗学习的弱监督颜色恒常性方法。该方法引入生成对抗网络将颜色恒常性计算问题转换为图像到图像的翻译问题,即从未知光源图像转换到标准光源图像。本算法使用结合了颜色、内容和纹理等损失的损失函数来学习光源并矫正图像。网络训练时只需要准备两个不同的数据集:一个是未知光源下的图像数据集;另一个是处于标准光源下的图像数据集,一般可以从网络上爬虫得到。本文假设网络上能够获取到的正常图像都是处于标准光照情况下的。实验结果表明该方法的光源估计误差小于大部分有监督算法,取得了令人满意的性能。