Le matting d’images naturelles vise à estimer les valeurs alpha des régions inconnues dans un trimap. Récemment, les méthodes basées sur l’apprentissage profond ont propagé les valeurs alpha depuis les régions connues vers les régions inconnues en fonction de la similarité entre ces régions. Toutefois, nous observons qu’au moins 50 % des pixels des régions inconnues ne peuvent pas être corrélés à des pixels des régions connues, en raison de la limitation des champs réceptifs efficaces restreints des réseaux de neurones convolutifs classiques. Cette situation entraîne une estimation imprécise lorsque les pixels des régions inconnues ne peuvent être inférés uniquement à partir des pixels situés dans les champs réceptifs. Pour résoudre ce problème, nous proposons un réseau de propagation de caractéristiques à longue portée (LFPNet), qui apprend des caractéristiques contextuelles à longue portée en dehors des champs réceptifs pour l’estimation du matte alpha. Plus précisément, nous concevons tout d’abord un module de propagation qui extrait les caractéristiques contextuelles à partir d’une image sous-échantillonnée. Ensuite, nous introduisons le pooling pyramid centré-autour (CSPP), qui propage explicitement les caractéristiques contextuelles depuis les patchs d’image environnants vers le patch central. Enfin, nous utilisons un module de matting qui prend en entrée l’image, le trimap et les caractéristiques contextuelles afin d’estimer le matte alpha. Les résultats expérimentaux montrent que la méthode proposée obtient des performances supérieures aux méthodes de pointe sur les jeux de données AlphaMatting et Adobe Image Matting.