Como medio para transmitir información visual, la imagen es un reflejo directo de la existencia objetiva del mundo natural. Las imágenes en escala de grises carecen de más información visual que las imágenes a color. Por lo tanto, es de gran importancia estudiar la colorización de imágenes en escala de grises. En la actualidad, existen problemas de ambigüedad semántica, desbordamiento de límites y falta de saturación de color en los métodos tradicionales y de aprendizaje profundo. Para resolver los problemas anteriores, se propone un método de colorización de imágenes adversarias basado en optimización semántica y preservación de bordes. Al mejorar las redes generativas y discriminatorias y diseñar funciones de pérdida, nuestra red puede aprender información semántica más profunda y bordes más nítidos de las imágenes. Nuestros experimentos se llevan a cabo en los conjuntos de datos públicos Place365 e ImageNet. Los resultados experimentales muestran que el método en este documento puede reducir la anomalía de color causada por la ambigüedad semántica, suprimir el florecimiento de color en el área de límites de la imagen y mejorar la saturación de la imagen. Nuestro trabajo logra resultados competitivos en indicadores objetivos de relación señal-ruido máxima (PSNR), similitud estructural (SSIM) y similitud de parches de imagen perceptual aprendida (LPIPS), con valores de 30.903 dB, 0.956 y 0.147 en Place365 y 30.545 dB, 0.946 y 0.150 en ImageNet, lo que demuestra que este método puede colorizar efectivamente imágenes en escala de grises.