传统的图像风格迁移方法由于需要手动建模实现,而且常用的归一化方法是批量归一化,导致训练损失函数收敛速度较慢,同时图像纹理在迁移过程中表现不稳定,纹理形状发生改变。针对以上问题,本文提出了一种基于组归一化的图像实时风格迁移方法。首先,在感知损失函数的实时风格迁移模型的基础上,设计出一种更加简练高效的图像生成网络。其次,在图像生成网络的归一化层,使用组归一化代替批量归一化,加快损失函数收敛速度。最后,在风格损失函数的基础上加入直方图损失作约束。通过以上方法,旨在训练高效的图像实时风格迁移模型。实验结果表明,在小batch size下训练模型,提出的方法在损失函数的收敛速度上比使用批量归一化的方法要快,并且不会因为batch size大小的改变而影响模型的性能。在风格损失函数中加入直方图损失可以有效解决纹理迁移不稳定问题。通过主观对比和调查分析,提出的方法可以产生令人满意的视觉效果。在迁移速度方面可以满足实时迁移的需求,并且在视频风格迁移中得到了实际的应用。论文有图44幅,表2个,参考文献50篇。