深度学习是当今人工智能领域的热门方向,它在图像识别、语义分割、自然语言处理等领域已经显示出强大的学习和处理能力并且取得了巨大的成绩,甚至在部分领域超过人类的表现。因此,近年来许多图像处理研究人员在图像生成任务中使用深度学习技术,并在图像风格转化方面取得了很好的成绩。图像风格化是将一张图像的风格转换成另一种风格的同时保持原图像的内容不变。深度学习在图像风格转换的应用中,利用神经网络完成风格转化能使机器自动生成像艺术家们绘制的富有创造力的图像。但是当前基于深度学习的图像风格转换方法在网络训练、生成时间、风格化效果等方面还有很多问题需要解决,本文通过对基于迭代优化的图像重建方法和基于转换网络的图像重建方法进行对比研究。并在基于迭代优化的方法中加入局部标注进行区域分割,分别在对应区域内进行转换,从而生成更加真实的风格图像。本文首先对VGG19模型进行分析,对VGG19模型参数进行研究,将图像通过Image-Net,并且把VGG19的每一个输出特征层进行可视化处理。从而更加直观的确定内容特征和风格特征的具体表示方式。然后通过语义分割对输入图像进行局部标注,生成颜色地图,形成导向通道,然后通过带有导向的Gram矩阵分别在对应区域内进行统计特征提取和统计纹理建模,完成局部图像重建的风格转换。并将本文方法产生的结果与Gatys方法产生的结果进行比较。从损失函数梯度下降的幅度上来看本文的方法速度最快且损失更低,从而转换速度更快,转换生成图像也更精确。从图像质量上来看本文的方法生成的转换图像由于采用了局部标注,无纹理错位现象并且全局光滑无毛刺,说明本文的方法具备一定的优越性。