软硬件的高速发展,以及深度学习的崛起推动了计算机视觉领域的飞速发展。图像转换作为该领域的一个重要的研究方向,其目的是学习输入图像和输出图像的一个映射,同时也有了里程碑式的发展。通过图像转换的方法,可以对图像进行任意风格和内容的变化。在常见的超分辨率重建、图像彩色化、图像填充以及图像翻译上都有较大的应用场景,因此也成为了计算机视觉领域一个热门的研究方向。但是现有的研究,多在有监督、无监督和多模态的单域模型方向进行研究,在扩展到复杂的多余图像转换应用场景上时十分困难。最常见的是模型参数数量的指数级上升,与此同时,也会存在模型训练不稳定的难题。对于多域转换的领域存在着各种问题,本文提出了一种全新的域标签自学习无监督多域图像转换方法。对于多域的图像转换,本文为每个域设计了一个独立的域标签,并且通过神经网络和精心设计的域表征向量损失,全自动的学习该域标签而不需要额外信息。模型架构上,本文提出的方法也进行了精简的设计,仅采用一对生成器和判别器以及N个编码器,相比较现有的多域算法更加简洁高效。通过实验对比分析,本文提出的方法在多个数据集上的定性和定量指标上普遍优于目前最新的多域方法,可以充分表明所提出方法的正确性。