近年来,随着深度学习的迅速发展以及计算机硬件性能的快速提升,基于深度神经网络的图像着色逐渐成为图像后期着色的一种手段。相比传统着色算法,该类型着色算法不仅降低了人工干预程度,也极大提升了着色质量。然而,尽管基于深度神经网络的着色算法已经取得了一定的成果,但目前研究过于注重着色效果的改进,忽视了对着色效率的优化,使得现有的着色算法网络均存在模型参数量较多、模型大小较大,运算速度较慢等问题,这些问题限制了在便携移动设备上的广泛应用。因此,对轻量化着色模型的研究十分具有现实意义。针对上述问题,本文对现有着色模型网络结构进行改进,设计了一种结合全局语义特征和局部像素特征的双分支轻量级网络模型。首先,本文利用压缩-激发模块改进深度可分离结构,使得模型在基本不影响着色质量的情况下,显著减少了模型参数量,提高了部署能力。其次,本文首次将协同坐标卷积运用至图像着色领域,有效改善了着色算法中常见的色彩异常现象。最后,为了进一步提高轻量级模型的着色效果,本文优化了损失函数,使用了一种新的损失函数进行训练。此外,鉴于生成对抗网络在图像重建领域表现优异,且基于生成对抗网络的全自动着色算法研究较少,本文以基于改进可分离和协同坐标卷积的着色算法为基础,提出了一种基于生成对抗网络的着色算法,获得更加符合人眼视觉感受的着色图像。实验表明,相比现有着色算法,本文提出的两种算法均能在保证着色质量的同时,显著降低网络参数数量,并能以现有算法数倍的效率快速重建灰度图像彩色化结果,在便携式、低功耗设备上具有一定的应用价值。