随着地图在多领域的应用和发展,越来越多的人参与到地图的制作中来,日益复杂的社会需求导致人们对地图的要求逐渐提高,地图的使用方式和表现形式愈发灵活和新颖。在互联网技术的促进下,地图作品的传输与共享更加方便,优秀的地图集更容易获得大众的认可与传阅,如何将优秀的地图作品的配色风格为己所用,成为每个地图制图者所追求的目标。因此越来越多的学者关注地图自动配色和风格迁移问题,以望解决地图制图者制图过程中用色难的困境。在传统的地图制图中,制图学家主要通过手工方式进行地图风格迁移,但是其过程繁琐,效率低下。近几年来,计算机技术的发展,深度学习技术的出现,推动了图形图像技术的发展,人脸识别转换与图像风格迁移等方法日趋成熟。由于地图与图像领域有许多相似之处,因此在图像风格迁移的启发下,论文将深度学习中的生成对抗网络（Generative Adversarial Nets,GAN）引入到地图面状色彩风格迁移中来,基于GAN网络进行了地图面状色彩的风格迁移实验,期望解决地图制作时配色选择困难、耗时长、手工迁移效率低等问题,主要研究成果如下:（1）分析现有面状地图色彩配色方法,确定以质别底色、色级底色和衬托底色（行政区划图）三种类型的地图为研究对象,收集优秀的地图作品,基于Pix2Pix模型进行地图风格迁移。在风格迁移过程中,该模型通过地图样本色彩训练,学习了地图色彩转移规则,可以将色彩迁移到同类型的地图样本,实现了不同色相、不同饱和度和不同明度的色彩风格自动迁移。在分区统计法表示的专题地图上,面状色彩风格迁移会受到统计图表面状色彩风格的影响,从而导致迁移结果着色混乱。为解决这一问题,引入了干扰色彩剔除的算法,对面状色彩风格迁移的结果进行优化,可以剔除相关干扰色彩,较好地实现了地图风格迁移过程中面状色彩的传递。（2）针对Pix2Pix面对数量只有一幅的地图,风格迁移效果不理想、不能实现多风格训练集到多风格生成结果迁移的问题,利用Cycle GAN模型进行了单张多风格地图风格迁移的实验。实验结果表明,Cycle GAN可以更好的完成单张地图的风格迁移,只经过一次训练学习就可以根据训练集地图样本风格的不同,生成多种风格不同的地图。与Pix2Pix的迁移结果相比较,Cycle GAN整体地图风格迁移较好,但局部风格容易丢失,在面对构成元素简单的地图时,迁移的结果和预期结果差距较大。