图像风格转换是计算机视觉领域中的研究热点问题而受到广泛关注。随着深度学习算法的不断发展,相继出现了卷积神经网络和生成对抗网络,使得图像风格转换研究得到了快速发展,新方法与技术不断出现。本文针对图像风格转换问题,主要进行以下几方面的研究工作:首先,基于卷积神经网络模型,提出了一种基于改进的卷积神经网络的图像风格转换算法。该模型结构包括一个编码器、一个转换网络、一个解码器。编码器采用了一种全新的特征检测网络对风格内容和样式内容进行特征提取,网络简单参数量更少;对转换网络部分中的大卷积核进行分解,有效地减少了网络模型的参数,提高了风格转换的速度;利用自适应归一化方法对卷积层的输出进行处理,能够更好的保留内容图像中的语义信息。数值实验表明:所提算法能够更好的保留原图像的结构信息,转换后的图像边缘信息更加完整,解决了由于内容图像结构分布复杂导致风格转换后的图像局部模糊的问题,提高了图像风格转换的质量。其次,基于生成对抗网络模型,提出了一种基于改进的循环一致生成式对抗网络的图像风格转换算法。该模型结构包括一个生成器、一个判别器和一个边缘特征提取网络。生成器和判别器均包含一个自我注意模块,以捕捉图像的全局特征。边缘特征提取网络提取原始图像的边缘,并将其与原始图像一起输入网络,可以得到更好细节信息,从而获得更好的感知结果。对损失函数增加了一个感知损失项以此来优化网络。将所提算法分别应用于主流的四个数据集,数值实验结果表明:与其他几个现有模型的结果相比,所提算法具有更优的IS和FID指标值,这说明所构建的模型在风格转移方面的优越性,由于可以更好地保留原始图像的细节信息,使得模型具有更好的主观视觉感知效果。