卡通是一种流行的艺术形式,日常生活用于数字娱乐、游戏甚至是在人们的社交账户简介中使用。现代卡通动画工作允许艺术家使用各种来源来创作内容。现实中许多著名的作品是通过将真实世界的照片转化为可用的卡通场景材料而创作的,这一过程被称为图像卡通化。目前基于深度学习的图像卡通风格化方法因计算量过大、执行效率低而无法在实际应用中得到广泛推广。另外卡通图片是将真实世界的照片进行高度简化和抽象,这与其他形式的艺术作品有很大的不同,现有的基于深度学习的图像卡通风格化方法并不能准确的学习卡通图像风格。提出了一种基于生成对抗网络的轻量级图像卡通风格化方法。通过观察卡通绘画行为,将卡通图像分解为卡通图像平滑表面,卡通图像中的稀疏色块及全局结构内容,卡通图像中高频纹理和轮廓及细节三种表征方法。运用生成对抗网络框架学习提取的表征进而学习卡通图像风格,该网络借鉴了U-net网络的设计思路,在编码与解码的对应网络层使用长跳跃连接,提高图像卡通风格化的细节表现。为了减少参数量,提高计算效率,在生成网络中采用参数量更少的深度可分离卷积以及能够高效使用内存的反向残差结构来减少网络的参数数量与计算成本,另外为了使训练过程更加稳定,在判别网络中加入谱归一化层。为验证方法的有效性,在包含人脸数据和场景数据的真实图像数据集以及三种风格的卡通数据集上,与目前的优秀工作进行图像卡通化效果对比,并设计了主观感受评价和客观指标评价的实验对比。实验结果表明,网络模型具有更少的参数数量,并提高了模型的计算效率,能够生成颜色和谐、边界清晰、细节精细和噪声较少的卡通图像,在时间效率和转换质量方面与已有方法相比有一定优势。本论文有图27幅,表7个,参考文献53篇。