图像风格化是将一张普通照片转换为一张具有其他风格艺术效果的图像。近年来,随着智能化移动设备的广泛普及,人们对于图像信息的处理需求越来越大,各种美颜相机、滤镜被人们广泛使用,大众对于图像风格化后的效果要求也越来越高。除此之外,图像风格化还大量应用于电影渲染、游戏画面渲染、动漫设计等领域。因此,研究图像风格化具有广泛的应用价值和商业用途。在图像风格化研究现状中,发现存在一些问题,在基于跨域风格迁移的算法中,都是进行全局迁移,容易导致背景信息丢失,对于存在主要目标物体的图像,容易导致风格化后的图像主要目标物体轮廓与背景辨别不清;大多数风格迁移一个网络模型都只能迁移一个固定风格,想要迁移其它风格得重新单独训练模型,使用效率低。本文的研究内容主要围绕上述两类问题展开,主要工作如下:1、研究无监督学习的跨域风格转换模型CycleGAN,针对该模型在风格迁移中背景信息容易丢失,图像主要物体轮廓与背景边界辨别不清的问题,提出了一种基于Attention的CycleGAN网络模型。通过在horse2zebra、selfie2anime、vangogh2photo三个数据集上做实验,增强了风格化后图像的细节效果,得出的效果优于原始网络。2、研究基于单模型任意风格的快速风格化迁移算法,本文使用了一组对称的VGG网络作为编码器和解码器,将编码器所提取的内容特征和风格特征分别通过一组卷积层和一个全连接层来拟合两特征之间的融合信息,使得网络既保留了原来内容图像的高级语义信息,又能快速重建出不错的风格化效果。通过实验得出本文的改进在风格化效果上有一定的提升;在效率上,大大降低了风格迁移的时间和训练成本。3、本文在windows操作系统下,搭建了基于Pyqt界面开发工具的图像风格化应用软件,该系统具备任意格式图像的输入,系统中提供了多种基于本文工作训练好的风格模型,并为用户提供实时效果查看。