随着深度学习在人工智能领域技术的不断发展,卷积神经网络在很多领域取得巨大成功。卷积神经网络不仅在语音识别、图像识别、图像分割、自然语言处理上研究成果丰硕,而且在风格迁移技术上不断提升。在图像处理方面,图像风格迁移技术的趣味性就是将一张照片在内容度不变的情况下被渲染成有艺术特性的新画作。图像风格迁移主要是指利用机器学习算法学习具有艺术代表性画作的风格,并将这种风格迁移到给定图片上的技术。通过对当前已研究的基于深度学习的风格艺术化算法的设计与实现,发现存在着一些问题,比如:卷积神经网络在实现图像风格迁移中出现的图像失真及精度较差问题、将风格迁移传输至文字上时,文体的风格化结果辨别不清。本文针对这些问题提出如下解决方案:(1)针对卷积神经网络在实现图像风格迁移中出现的准确度下降及图像失真的问题,提出一种基于卷积神经网络的图像风格迁移算法。首先分析了传统的纹理重构算法,采用拟牛顿法之一的L-BFGS优化方法对其进行改进;然后利用Gram矩阵计算图片中的纹理、颜色和视觉信息,并提取一张普通图片和一张具有代表性的艺术性图像的两种高层抽象特征表示,从而生成具有原内容和艺术性风格的合成图像。在以Tensorflow为后端的深度学习Keras框架的基础上,设计出一种卷积神经网络的图像风格迁移算法。(2)针对卷积神经网络在实现文字风格迁移中出现精度较差的问题,利用Gram矩阵计算文字的特征,并通过计算风格图片与结果图片的Gram矩阵之差计算总风格损失,糅合多个特征层的数据取平均数,从而采用拟牛顿法之一的L-BFGS优化方法对其损失度进行改进,利用精细调参并增加图像增强技术使图像颜色更加艳丽,从而生成具有文字和艺术性风格的合成文字图像。本文提出的算法成功解决了复杂度问题,同时提高了准确度。在图像风格迁移上,适度的选择迭代次数可观察合成图像的匹配程度。在文字风格迁移上,支持两张风格图片进行迁移并可调节随机噪声的强度,所提出的算法得到了较好的应用和验证。