绘画是一项古老的技术,可以追溯到旧石器时期,古猿人用绘画的形式来记录生活。随着人们物质生活的提高,绘画作品往往用来保存与传递作者所要表达的信息,与此同时它还给人们带来感官上的享受。绘制某种特定风格的图像需要具有一定绘画技术,而刻意去学习绘画技术往往需要耗费大量的时间和经历。图像风格迁移作为图像处理领域的一个分支任务,它可以在短时间内将一张普通照片转换成某种艺术风格的图像。风格迁移技术能够节省了使用者的时间成本,同时也被广泛地应用在美图软件、动画制作等领域。随着机器学习的发展,使用深度学习来进行图像风格迁移逐步取得不错的效果,但依然存在一些问题,例如不能顾全局部和整体的效果、风格表现不够明显等问题。本文基于生成对抗网络,提出了两种不同的算法来改进图像风格迁移效果。本文的主要研究工作总结如下:1.现有的风格迁移算法主要通过将图像的内容和风格进行解耦合,再将原图像的内容和参考图像的风格进行重组用于生成具有目标风格的图像,然而图像的内容和风格界限是比较模糊的,大部分的算法将内容定义为底层空间的结构特征,将风格特征定义为结构的渲染,这样的定义能够明确所需要迁移的目标,然而在一定程度上阻碍风格的迁移,例如在内容层次上的风格得不到迁移。本文提出了一种基于特征映射的无监督图像风格迁移算法,通过改进注意力机制使其能够进行特征映射,实现原图像的内容向参考图像的内容进行映射操作,从而实现图像在内容层次上的风格迁移。实验表明,生成图像能够根据参考图像内容结构对原图像内容结构进行适当的修改,从而提高图像风格的迁移效果,同时相关客观指标也更高得分。2.研究工作1的算法能够提升风格的迁移效果,然而图像的内容和风格不能很好的做到解耦合,使得对于图像局部信息得到有效的迁移,针对该问题,本文提出了基于迁移学习的图像风格迁移算法,首先进行模型预训练,将图像的内容和风格尽可能的进行分离,然后进行正式的模型的训练,同时引入内容不变损失,生成图像仍然能够保留原有的内容结构,最后通过对比实验,证明了该算法的有效性。3.本文设计并实现了艺术画风格仿真系统。本文将研究工作2中提出的算法模型进行封装,从而将理论研究用到实际问题中,并且该系统能够灵活进行风格迁移,能够将所选原图像向所选的风格图像进行迁移。