壁画作为宝贵的文化遗产之一,是我国传统文化和民族精神传承的载体。它能够反映出当时人类的历史生活和艺术文化发展水平等信息,具有重要的价值。但众多壁画由于代久远而受到自然环境和人为破坏等多方面因素的影响,面临不同程度病害的威胁。其中颜料层脱离底色层或地仗层的脱落病害就是壁画常见病害之一,它不仅削弱了壁画的信息表达,而且对历史文化的保留与传承有着极为不利的影响。病害提取作为壁画保护的前提,可为修复和监测等工作提供科学依据,具有重要的研究意义。现有的病害提取方法大多都需要人工干预,提取效率和效果也有待提高。鉴于目前提取方法的不足,以及深度学习在图像分割等领域的广泛应用,本文提出了利用深度学习图像分割技术,实现壁画颜料层脱落病害快速、准确提取的研究思路,主要完成了如下工作:1)壁画病害数据集设计与制作。通过文献调研了解国内外研究现状,提出了基于深度学习壁画病害提取的新思路。针对尚未有关于壁画病害数据集的问题,本文利用近景摄影测量技术获取壁画的数字正射影像图(Digital Orthophoto Map,DOM),并通过相关处理完成实验数据集的制作,为后续实验提供数据准备。2)提出了基于编-解码网络模型的壁画病害提取方法。首先分析了U-Net和SegNet两个基于编-解码结构的网络模型特点,并结合本文壁画病害提取任务,实现了两个网络模型的构建;然后利用自制数据集,完成了模型训练、模型预测以及后处理的壁画病害提取实验;最后从定性和定量的角度,对两个网络模型提取结果进行对比分析。3)提出了一种改进U-Net网络模型。为了进一步提升病害提取的精度,本文提出了一种低级特征保留和池化索引上采样的改进U-Net。首先通过金字塔池化方式,构建一种低级特征保留结构,实现了编码层的低级特征不丢失。此外,为了减少反卷积过程中对图像边缘信息的损失,本文改进U-Net采用了池化索引上采样方式;然后对该网络模型进行了构建,并完成了模型的训练和病害提取实验;最后对改进前后的U-Net网络模型病害提取结果进行对比分析。实验结果表明,两个测试区域的壁画颜料层脱落病害提取中,SegNet提取结果的交并比(Intersection Over Union,IOU)和F1-Score平均值分别为0.76、0.86,U-Net的分别为0.81和0.89,验证了本文壁画病害提取方法的可行性。而具有低级特征融合的UNet提取结果,在边缘细节刻画和整体精度上均优于SegNet,说明该网络模型更适合壁画颜料层脱落病害的提取。本文改进的U-Net在两个测试区域上的提取精度均有所提升。其中,在测试区域1上提取结果的IOU和F1-Score值分别达到0.85和0.92,比原始网络有着约2%的精度提升,证明了本文改进U-Net网络模型的有效性。