随着互联网的迅猛发展,图像多元化处理的需求越来越大,而图像风格转换也逐渐成为当下人们关注的一个研究热点,具有广泛的研究意义与应用价值。近年来,传统的基于深度卷积神经网络的图像风格转换技术遇到了巨大的挑战。而生成对抗网络的提出为图像风格转换问题的解决提供了一种全新的思路,并且生成对抗网络在生成图像分辨率、样本的真实性等方面都取得了更好的效果。因此,基于生成对抗网络的图像风格转换已成为当下的一个研究热点。本文从无监督的图像风格转换角度出发,对之前研究人员提出的CycleGAN模型展开分析与研究,提出了基于注意力的CycleGAN转换模型。本文的主要工作包含如下几个方面:1.对于CycleGAN模型不适用于形状纹理差别较大的图像风格转换任务的问题,本文将注意力机制与原网络进行结合,利用分类器关注图像的源域与目标域,通过注意力机制帮助模型控制在何处进行较大的转换。经过定性与定量的实验表明,在horse2zebra数据集与selfie2anime数据集上,本文的风格转换效果优于原CycleGAN网络。2.本文在生成器Decoding残差块部分使用自适应层实例归一化方法,根据细节信息与全局信息的重要程度自适应地控制实例归一化（IN）和层归一化（LN）之间的比例。3.本文设计实现了基于改进CycleGAN网络模型的原型系统。利用微服务思想与容器化技术,搭建了一套基于Docker引擎的图像风格转换系统,将模型平滑的迁移到云中。本系统采用前后端分离的设计方式,主要分为三个功能模块:截图与上传模块、后台服务模块与算法模块。截图与上传模块主要负责图片的获取以及上传图片到图片服务器,后端服务模块主要负责处理前端请求,算法模块主要负责图像风格的转换。本文的主要内容是对原CycleGAN网络的改进与优化,构建了一种基于注意力机制的CycleGAN模型,通过多组对比实验表明,本文改进的网络比原网络具有更好的风格转换效果。最后设计实现了基于改进算法的图像风格转换系统,采用微服务思想与容器化技术,极大地提升了系统的灵活性与扩展性。