风格迁移是将一种图像内容语义与另一种图像风格语义融合在一起,最终形成新图像的处理方法。在人们喜欢通过图像对自己的想法和情感进行表达的当今社会具有一定的商业价值。同时,训练得当也可以完成图像生成、语义分割、拓展数据集等计算机视觉任务,具有研究价值。已有的风格迁移算法分别是通过人工建模的传统风格迁移和基于深度学习的风格迁移技术。传统的风格迁移更适用于对固定纹理的输出,泛用性不高,并且叠加效果过于生硬。基于深度学习的风格迁移技术能够分离图像的内容语义特征和风格语义特征,效果与传统风格迁移相比优秀很多。但整体仍处于发展进程中。本文提出的结合胶囊的环形生成式对抗网络是在环形生成式对抗网络的基础上,引入胶囊的概念。通过结合胶囊概念和卷积层,对环形生成式对抗网络结构进行规划和调整,实现胶囊和卷积混合的判别器。目的是明确特征之间的相对关系,得到稳定的图像风格迁移。环形生成式对抗网络包括两个生成器和两个判别器,分别负责两个图像域之间的转换和真假判别。因为卷积神经网络池化等缘故产生的不变性会导致模丢失了各个特征之间的相对关系,所以本文将胶囊结构引入底层网络结构中,实现特征的同变性。经过实验,采用胶囊和卷积混合的判别器,保留了各个特征之间的相对关系,判别准确度得到很大的提高。本文对损失函数进行了改进。在引入胶囊结构的同时,在最小二乘损失函数的基础上引入相对性的概念,整理后分别得到生成器和判别器的损失函数。再根据网络结构和优化目的进行总损失函数的构建。实验表明,引入相对性后,本文提出的网络在训练中能够更快速的得到更好的效果。通过实验,本文采用的结合胶囊的环形生成式对抗网络,与现有的Bi GAN、Co GAN、Cycle GAN等方法相比,生成图像的效果更好,更加接近真实图像。