基于深度学习的图像风格迁移是目前数字图像处理领域中的新兴研究热点。传统的图像风格方法的数学建模过程复杂,而且风格化图像合成的效果欠佳。相比之下,基于深度学习的图像风格迁移方法具有功能强大、效果出色、模式灵活等优势,并取得了一系列备受关注的突破性成果。通过深度学习来构造的图像高层抽象特征空间可以有效地分离和重组图像特定抽象特征,进而能够成功完成效果出色的图像风格迁移任务。在2015年,Gatys等人开创性地提出了使用卷积神经网络模型作为特征提取器的图像风格迁移方法,实现了效果惊艳的图像风格迁移。该方法的基本思想是对图像数据进行特征拟合,首先将预训练的VGG-19卷积神经网络模型作为特征提取器,然后对内容图像的内容抽象特征表示和风格图像的风格抽象特征表示进行分离和重构,最后融合成新的风格化图像。但是,Gatys等人的方法过于依赖特征提取器,而且风格化图像的效果不够逼真,其特征获取的方式较为固定。因此,本文选用生成式对抗网络的方法来实现图像风格迁移,而生成式对抗网络的基本思想是对图像数据的分布散度进行拟合,旨在获得高质量、高逼真度的视觉效果。本文在研究分析具有代表性的卷积神经网络模型和生成式对抗网络模型的基础上,针对现有的图像风格迁移方法的不足,充分考虑对抗训练过程和相关正则化约束条件对图像生成的影响。为进一步提高图像生成的质量和优化图像风格迁移方法的建模方式,在当前主流的深度学习技术的基础上,分别提出了有监督和无监督的图像风格迁移方法,主要的工作内容有以下两点:首先,在有监督的图像风格迁移方法中,以常规的中文字体数据为研究对象,采用Wasserstein GAN作为基础的生成式对抗网络框架,使用残差网络块来优化生成式模型的性能,将均方误差作为最终结果的约束条件,实现了高质量的中文字体间一对一和多对多的图像风格迁移。其次,在无监督的图像风格迁移方法中,以CelebA人脸数据集为研究对象,采用了CycleGAN的无监督对抗训练方式,并进一步优化了生成式模型的结构,以及为了有效地将图像背景和抽象特征进行分离和重构,在生成式模型中内置了图像蒙板功能,并通过完全动态生成的图像蒙板来有效地解决无监督学习过程中极易出现的区域干扰问题,获得了出色的视觉效果。