近年来,随着计算机数据处理能力的极大提高,建立在强大计算力上的深度学习成为了最热门的研究方向。深度学习以其优异的数据处理能力,在许多领域的实验结果要好于传统方法,数据分析能力甚至要优于人类。图像风格迁移作为一个有趣的应用,吸引了研究者的目光,在图像风格迁移方向相关研究者提出了很多创新的思想,但是将风格迁移和情感化结合在一起的研究寥寥无几。本文提出了一种在任意图像上赋予用户指定的情感的方案,并且情感类型可以是任意的。本文的研究方法由图像风格迁移改进而来,为了改善当前的风格迁移速度慢的问题,并有效的解决任意情感化问题,本文提出了下列解决方案。1.本文提出了一种新的基于VGG网络的特征提取网络,在网络的高层使用截断网络的思想,并且池化层采用最大池化,二者结合既保证了充分提取图像情感特征,又提升了整体生成框架的优化速度。2.本文提出了一种基于改进归一化方法的网络框架。虽然批量归一化具有将输入图像和生成图像的空间分布归于同一分布的有效性,但是每类情感图像表达出的情感强度不同,若使用批量归一化会导致情感图像表达出的情感过于平均化。因此,本文由于着重于突出生成图像所表达的情感,所以用实例归一化代替批量归一化。3.本文创建了一个情感数据集。本文着重于表现自然景色的情感而非表现面部图像的情感。创建的数据集命名为Landscape dataset,简称L-dataset,并且根据实验要求选择了满足、兴奋、恐惧、悲伤这四种情感。实验验证了该情感数据集的适用性,同时也验证了本文提出的网络框架的泛化性。综上所述,本文提出的基于VGG网络的特征提取网络显著地提高了情感化速度,并可与当前转换速度最快的迁移网络相媲美。本文的图像情感化方案与当前最新的风格化相比,生成图片的质量较好,表达的情感在视觉上准确而强烈。所创建的数据集数据量足够,且数据质量达到了实验的要求。