图像风格转换技术是一种利用图像处理技术来改变图像的风格化效果的技术。在时代发展的今天,人们对于图像的多样性、美观性等方面的需求愈加强烈,因此近年来,使用深度神经网络进行图像风格转化的方法层出不穷。通过对现有的基于深度学习的图像风格转换方法的研究,可以看到有一些转换算法在对数据的要求,风格化的程度,模型的评价,不同场景转换的应用方面仍有许多需要考虑的问题。针对这些问题,本文设计了一个新型的可以生成具有更清晰的黑夜转白天的图像风格转换网络,同时设计了一个可以用来评价风格化效果的打分模型。本文主要研究内容如下:(1)针对现有图像风格转换模型评价标准不够明确,大多数网络仍采用定性评价的现状,设计一种用来客观评价图像风格化效果的评分模型。模型能够对图像生成的效果进行定量评价,用来评价图像风格化效果和内容是否符合标准。本文基于VGG-16网络,实现了一个可以进行图像风格转换评价的分类器,将概率作为可以客观评价图像风格和内容的质量的一个有效标志。在两个不同的数据集上,对图像风格转换网络产生的不同结果进行测试,验证该评价方法的有效性。(2)基于常用的生成式对抗网络(GAN)思想,在图像风格转换上使用循环生成对抗式网络,Cycle GAN网络,利用两个作用域之间的相互转换,生成器与判别器之间的相互制约关系,得到一个可以进行风格转换的网络模型。同时,在该网络的基础上,通过计算VLAD(局部聚合向量),作为图像中物体的位置特征,加入到特征计算上。在公开数据集上,通过定性评价以及本论文提出的定量评价方法证实,该方法得到了更好的效果。