计算机动画领域的发展对角色风格提出了更加迫切的需求。同时,动作捕捉设备的广泛应用使得运动数据规模日益扩增,但是存在无法重复使用的问题。因此,如何使用自动的风格化技术对现有的人体运动捕捉数据进行组织和合成以满足角色风格要求成为了一个研究热点。人体运动风格迁移指将一个运动序列的风格转换为另一个运动序列的风格,同时保留原始运动的行为。本文利用深度学习相关技术在实时性和多样性方面对运动风格迁移进行研究,同时展开详细的实验与结果分析来证明方法的有效性。论文的研究工作主要集中于以下几个方面:（1）探索运动风格迁移的无监督训练方式。尽管人体动作捕捉数据的规模庞大,但是不同的运动序列之间并没有太大关系,这导致利用监督学习的方式研究运动风格迁移存在极大阻碍,需要对运动数据进行繁复的手工处理比如逐帧的时间配准等操作。本文提出损失网络模块,利用卷积自动编码器学习运动流形,在流形空间进行各种操作比如分离运动序列的风格和内容属性。基于损失网络模块设计损失函数,能够以无监督的方式训练模型,避免了过多繁杂的数据处理工作。（2）提出实时的运动风格迁移方法。现有的基于优化的风格迁移方法需要为新的风格重新训练整个模型,这是个消耗大量时间和计算资源的过程。本文利用转换网络直接转换输入运动的风格来提高风格迁移速度。同时,利用元网络来建立从风格运动序列到转换网络参数域的直接映射关系。通过元网络的一次前馈传播操作,能够得到某种风格对应的转换网络而无需为每种风格再次进行训练。由于在运动流形空间进行处理,对于某些特定的风格运动序列,当依附于不同骨架的角色的运动投影到相同的流形中,其风格特征有着相似的表达。因此本方法适合在依附于不同骨架的角色的运动之间执行风格迁移。（3）提出多样化的运动风格迁移方法。当前的运动风格迁移技术更加关注迁移效率、泛化程度等方面而忽略了多样性的重要。多样性描述对于相同的输入运动得到彼此不同的风格化输出,这种差异性具有重要意义,能为偏好不同的用户提供多重选择。本文构造风格选择模块,通过独热向量指定目标风格,对噪声映射矩阵进行上采样操作,将其输出与转换网络的编码器输出连接,然后解码为输出运动。在训练过程中,施加能够显著提高多样化能力的多样性损失函数来惩罚输出中类似的运动。