图像分割是计算机视觉领域的一个研究热点,用图像分割技术实现对复杂场景的理解与分割,挖掘我们需要的有价值的信息,为其他的一些计算机视觉任务提供研究基础。人物图像分割作为图像分割的子问题也是当今的一个研究重点,在安防监控、照片人物处理等方面均有应用。但是由于人物图像中的背景和人物等因素的变化影响,使得人物图像自动分割面临着巨大的挑战。目前的人物图像分割主要分为传统的人物图像分割和基于深度学习的人物图像分割方法。传统的人物图像分割通常需要用户进行辅助操作才能完成图像的人物分割,这在大量图片处理时效率低,在复杂场景时的分割效果通常不尽人意,并且无法实现自动化分割。基于深度学习的人物图像分割方法使用卷积神经网络可以从图像中自动学习和提取人物的特征信息,利用海量标注数据对网络训练,完成对人物图像的自动分割（Character image segmentation network based on fully convolutional neural network,C-FCN）。本文对全卷积神经网络作了深入研究,提出了一种人物图像自动分割方法,该方法是基于全卷积神经网络改进的人物图像分割网络结构,使其能够对人物图像实现高精度的分割。本文主要工作和成果如下:（1）提出了一种改进的人物图像自动分割网络C-FCN,该网络基于全卷积神经网络,在编码阶段引入空洞卷积和空间金字塔池化,并且对解码阶段的上采样进行改进,提高了网络分割的精度和速度。最后在百度人物图像数据集对该网络进行实验对比分析,在分割结果上相对于全卷积神经网络具有一定的提升,证明了本文提出的分割网络的有效性。（2）本文对图像的非真实感绘制进行了研究,对图像作水墨画风格化仿真。在实现人物图像分割后,将图像前景和背景分离,单独对人物图像背景作水墨风格化效果处理。同时本文基于以上工作,设计并实现了人物图像自动处理系统,该系统可以分别对人物图像进行分割和人物图像背景水墨风格化一键处理。在用户上传图像后,无需繁杂的人工交互,一键即可实现人物图像分割和背景水墨风格化处理。最后对该系统进行了测试和验证,并取得了较好的结果,本文的研究在现实生活中具有一定的应用价值。