在高科技世界中,深度学习以不同的方式用于实现特定主题中的特定目标。图像风格转换是计算机视觉中的一个热门研究领域。图像风格转换技术是学习内容图像特征和风格图像特征之间的语义关系,然后将内容特征和风格特征进行空间重组。在图像风格化领域,基于深度学习的图像风格化研究引起了越来越多的科研工作者们的注意。图像风格化研究的发展给大众的生活带来了很多的乐趣和便利,涉及生活,工作等多方面。图像风格化是一种艺术表现形式,因为其输入输出都是图片,再现了艺术家们的绘画手法,生成具有可观赏性的艺术作品。本文受到Dumoulin等人提出的CIN风格转换模型的启发,提出了新的风格化模型。第一,本文提出引入直方图匹配层的图像风格化生成模型。将深度学习和直方图匹配相结合,旨在提供一种能实时进行图像样式转换的方法,无需将风格图固定在模型中。不受预定义样式集的限制,能适应更多的风格图像。直方图匹配是指将内容图像特征的直方图和风格图像特征的直方图进行匹配,使内容图像表现出与风格图像相同的风格特征。与基于CIN的风格模型相比,实验结果证实本文的方法能适应更多的风格图像,生成的图片质量比基于CIN的模型更好。第二,本文在提出基于直方图匹配层风格化模型的基础上,又在模型中引入生成对抗的思想,给模型加入了判别器。让引入直方图匹配层的风格化模型的图像风格转换网络作为GAN的生成器而存在。风格转换网络和判别器交替训练,提高图像风格转换网络的生成能力,同时也有利于提高判别器的鉴别能力。使用对抗网络的目的是为了生成质量更好的风格化图片。判别网络用于区分图像的“真伪”。实验结果用高质量的图片视觉效果证明了方法的有效性。