自然图像抠图（natural image matting）是计算机视觉领域一项基础且具有挑战性的任务。传统上，该问题被建模为一个欠约束问题。由于问题本身不适定（ill-posed），必须对数据分布施加额外假设，才能使其转化为适定问题。在经典抠图方法中，普遍采用的假设是前景与背景颜色的局部平滑性假设。然而，对于基于深度学习的抠图方法，此类假设尚未得到系统性的考虑与应用。本文中，我们引入两种局部平滑性假设，旨在提升深度图像抠图模型的性能。基于这些假设，我们提出了三项关键技术：训练集精炼、颜色增强以及反向传播精炼，显著提升了深度抠图模型的性能。通过大量实验验证了所提方法的有效性。实验结果表明，与现有抠图方法相比，本文提出的方法在性能上具有明显优势。