在图像处理领域中,图像风格迁移是一种借助计算机技术来处理图像的色彩、轮廓、线条等信息来改变图像效果的技术。近年来随着机器学习的发展,使用深度神经网络来进行图像风格迁移取得了良好的效果。但传统的图像风格迁移方法,还存在着风格表现不够明显、内容和风格分离不够清晰、对高分辨率的图片细节表现不好、对低分辨率的图片出现伪影等问题。本文基于深度神经网络,在研究现有网络的基础上,在图像处理领域的图像风格迁移方面设计了两种新的网络,让图像进行风格迁移后的表现效果更好。本文的主要工作包含三个方面:(1)本文在基于用VGG网络提取特征的风格迁移转换网络的基础上加入一个判别器和一个转换块,设计了一种新的模型、提出了新的损失函数来改进原网络。将判别器和转坏块组成的网络加入到深度神经网络中的生成网络的参数训练过程中,让生成网络的参数向更优良的风格迁移效果的方向优化,得到更好的风格迁移模型,从而生成风格化效果更好的风格迁移转换结果。(2)本文基于Artsiom等人提出了基于编码-解码器的模型,设计了一个新的风格迁移模型,提出一种新的风格编码器,将原先的单一编码器增加为新的内容编码器和风格编码器。风格编码器提取的风格特征,可以让生成器感知到图片风格的变化,生成的图片风格更加一致逼真。并且,以前的方法一般只能用一张风格图片进行训练,此模型可以同时提取多张风格图像,综合他们的风格特点进行迁移。(3)在(2)的改进模型中,提出四种改进后的损失函数,通过加入风格编码器、解码器来使损失函数更加准确,四种损失函数分别是条件对抗损失,重建损失,内容损失和风格损失,用以在训练中对模型进行矫正。并且在判别风格迁移效果的时候,不仅定性地采用不同的对比试验,以人类的审美为基础进行判定,同时采用定量的方法,引入计算风格迁移欺骗率等方法给出客观的评判标准。