图像翻译主要用于寻找不同领域图像之间的映射关系,进行图像翻译的方法有许多,最常使用的有:使用传统神经网络的方法、使用自编码器的方法和使用生成对抗网络的方法。其中基于生成对抗网络的方法比传统方法如卷积神经网络、自编码器等方法更加有效,结果也更加真实。本文针对图像翻译领域中的跨域学习任务,提出一种基于生成对抗网络的图像特征迁移方法,并完成了基于该方法的图像翻译跨域学习任务。图像翻译中的跨域学习任务是使用一个模型对多个域执行图像翻译的任务,使用简单的生成网络来学习多个域特征的同时,既需要简化网络的复杂程度,又需要最大化实现多个数据集、多个域的联合训练。目前跨域学习模型存在联合训练空间特性较少、网络容量不够、难以精准表达不同翻译目标等问题。受启发于图像翻译中的风格迁移方法,并借鉴了风格迁移中的自适应实例规范化,将其加入到跨域学习的生成网络中并进一步改进网络结构,本文提出一种基于生成对抗网络的图像特征迁移方法叫做Cycle-Ada IN GAN。该方法通过预训练将输入经过非线性映射到高维空间以提取图像特征,和标签信息一同处理后有层次地注入生成网络,以实现在非成对数据下,学习多个数据集并实现多域联合训练的单属性、多属性图像特征迁移任务。为了验证Cycle-Ada IN GAN的改进,首先本文在训练时使用多个数据集进行联合训练,以保证模型的跨域学习能力;其次本文通过AMT知觉研究,对实验结果进行直观的比较。实验结果表明,在图像翻译的跨领域学习任务中,该模型中的生成对抗网络可以取得比其他跨领域学习模型更好的效果,同时也说明Cycle-Ada IN GAN能够在不同的应用方向上可以实现更好的结果。