图像风格迁移是近年来十分活跃的研究方向,该研究因其迁移结果的多样性,及其特征提取的思想在其他计算机视觉应用中具有通用性,从而具有一定的应用价值和学术价值。水墨画作为我国重要的文化遗产,具有极强的艺术风格特性,是传播中华文化的重要代表。科技和艺术的融合研究是近年的学术热点,为了更好地弘扬民族文化,本文将风格迁移与中国水墨艺术画相结合,基于循环式生成对抗网络（Cycle GAN）提出了一种新的水墨风格迁移算法,实验表明该方法对水墨画的笔触、留白及墨水扩散等典型特征的学习效果,能够很好地对普通照片进行水墨风格的迁移。本文贡献总结如下:首先,针对现有迁移方法在图像生成中存在语义信息不完整,局部色块误差,墨水过渡不均匀等问题,本文设计了结合自适应实例标准化（Ada IN）的单个循环网络结构。在该结构中,将对抗损失和循环一致性损失相结合以实现图像语义信息的完善,这是由于对抗损失能够学习到真实数据的近似分布,一致性损失能够减少数据域之间映射的路径;水墨画留白特征的抽象性表明模型应当学习更低层次的特征,甚至丢弃一部分特征以留出空白,然而基准模型中两个循环的结构由于约束较强导致模型学习更高层次的特征,因此本文采用单个环路来缓解这种约束,以生成自然的留白效果;为了实现墨水分子的扩散效果,本文在生成网络的编码过程后引入Ada IN模块,将内容图像和风格图像编码后的特征图通过该模块进行整合,以便在解码过程中引入水墨画的风格信息。其次,针对生成水墨图像质量的提升,本文设计了结合多尺度结构相似性（MS-SSIM）损失的优化目标。在重构损失部分将MS-SSIM损失和1L损失相结合,不仅能从亮度、结构以及对比度等多个角度加强对重建图像的约束,还能弥补图像亮度变化及颜色偏差,实现高质量的图像生成。最后,为了验证本文方法的可行性及优越性,本文在FID,Kernel-MMD,以及PSNR和SSIM等多个评估指标上,和现有的Distance GAN、Cycle GAN、Chip GAN等方法进行比较,实验表明,本文方法能很好地完成真实照片转水墨画的风格迁移任务,很好地生成了水墨风格特征的图像。