在深度学习方法快速发展以及海量视觉数据可利用的背景下，计算机视觉领域近年来发展出多种视觉理解方法，旨在辅助机器理解和分析视频及图像的语义信息。图像翻译作为视觉理解的一种常见方法，其关键在于学习到一个可在图像域之间进行变换的映射关系，利用神经网络学习源域内容，然后将其转换到目标图像域空间。人类生产生活中的很多问题都可以转化为图像翻译的子任务，例如在自动驾驶领域，将车载摄像头拍摄的街景图转换为目标分割图;在遥感监测中，将实景地图转换为简洁地图模式;在娱乐休闲方面，人们希望实现对人脸卡通化、老照片修复等有趣的目标。
　　随着生成对抗网络的诞生，图像翻译任务发展出了更多网络规模小、效果好的方法，基于该网络的翻译工作成为研究主流。但是，收集大批量的成对训练数据需要耗费巨大工作量。因此，现有的图像翻译工作大都针对非成对样本。循环生成对抗网络(Cycle-Consistent Generative Adversarial Network，CycleGAN)利用循环一致性的思想实现两个图像域间的有效转换，成为无监督图像翻译领域的里程碑，也成为了无监督翻译工作常用的基础架构，但其本身存在训练不稳定、图像特征可解释性差的缺点。
　　基于以上背景及问题，本论文基于CycleGAN，具体完成了以下工作:
　　1.提出了一种复用特征编码器的图像翻译方法。将CycleGAN生成网络中的编码功能同时应用于判别器中，可显著减小网络参数量。在训练中，生成器仅对特征转换模块和解码器进行更新，编码器由判别器进行优化，判别器同时对真假图像进行判别。同时，提出了一种特征感知损失函数，可自适应的利用编码器提取特征级差异，进而约束网络训练。该方法在三个公开数据集上均取得了较好效果。
　　2.提出了一种采用自注意力模块的图像翻译方法。将自注意力机制应用于生成网络中，通过增大特征图的感知范围，加强周围像素点对中心点的表征能力;为了解决生成图的棋盘效应，将解码器中的转置卷积替换为上采样与卷积的叠加;最后，为了解决网络训练中收敛缓慢且不稳定的问题，在生成网络和判别网络中使用谱归一化方法。实验证明该方法可以实现更细致的图像特征转换，定量和定性实验均验证了本章模型的有效性。
　　3.提出了一种可感知前景目标的图像翻译方法。针对整图翻译中背景容易跟随前景同时翻译的问题，本方法单独学习一个注意力网络，对图像前景特征进行提取，学习到的灰度注意力图可帮助生成器仅对目标前景进行翻译。该方法可实现更为精准的前景生成。