图像作为一种信息载体,是人们现代生活中表达情感和沟通交流的不可或缺的方式。在计算机视觉领域中,图像到图像的翻译任务类似于自然语言中的机器翻译,不仅要求根据源域中的图像生成目标域中的对偶图像,而且在翻译过程中需要对生成图像约束,从而保证生成图像和源域中的图像保持一定的相似性。无论是基于监督学习的翻译算法,还是基于无监督学习的无配对图像翻译算法,都成功地实现了两个域之间的图像翻译任务。然而,在涉及多个域的翻译任务时,现有的翻译模型需要对图像域两两分组进行独立训练,这样的训练方法是相当麻烦且耗时的。为了减少训练模型的数量、提升翻译结果的图像质量,本文针对多个域之间的翻译任务提出了两种解决方法。首先,针对人脸面部属性迁移任务,本文提出了一种基于条件投影的无配对图像翻译方法。该方法根据人脸的属性将数据集分为不同的域,并用标签进行标记。然后训练判别器去判别生成模型学习到的特征与目标特征之间的差异,计算生成器学习到的特征信息和条件信息的相似度,缓解了生成器过拟合的问题,促使生成器生成更逼真、自然的图像,并且提高了翻译结果的正确性。其次,借鉴条件生成模型,本文提出了一种基于解耦表示的无配对图像跨域翻译模型。该算法先使用标签来表示域信息,将其作为条件信息和解耦表示结合,然后通过控制域标签实现源域图像到目标域图像的转换。利用域标签可以减少训练模型的数量,仅使用一组生成器和判别器就可以实现跨域翻译,缩短训练时间。此外,输入数据包含不同标签的图像,无形中扩大了训练数据的数量,使得生成器学习到更多的特征。该模型在训练过程中还引入了随机变量,使得生成结果具有多样性。通过和现有的翻译模型的对比,及多个数据集上的实验,证明了所提方法的有效性。