随着Gatys等人在2016年通过分离和重新组合图像内容和样式,展示了卷积神经网络(CNN)在创建艺术图像中的不可忽略作用,有关于图像风格迁移的研究愈来愈火热。尽管图像风格迁移领域已经取得了许多阶段性的成果,但是也存在两个重要的问题亟待解决。首先现有的图像风格迁移方法存在产生的迁移结果内容图像和风格图像中间不平衡的问题,导致了迁移结果往往偏向内容图像或者风格图像。其次,图像迁移中没有考虑到语义信息,图像之间存在不同语义之间存在相互干扰的问题,导致了最后迁移结果出现了内容上的异构,针对上述问题,本文对这两个存在的问题进行了研究,主要的研究工作如下:(1)针对平衡性问题,通过研究确定了利用深层FCN保留语义内容,并利用浅层FCN较好地学习样式风格,在此基础上提出了一个内容和风格特征网络相分离的图像风格迁移网络,用于平衡风格化图像中的内容和样式。(2)为了平衡内容和样式特征层的贡献,提出了自适应变化平衡权重因子和特征融合的方式,并将其输出自适应地进行特征融合和连接,并馈入解码器以生成样式化图像。(3)针对迁移结果存在语义样式匹配混乱的问题,将语义分割与图像迁移算法相结合进行了研究,并且在前面提出改进模型的基础上提出了结合图像语义匹配的一种迁移网络模型,以改进现有的图像样式转移算法。这种方法不会使迁移的图像存在语义样式混乱的问题,并提高了图像质量,实现了一张内容图像融入多种风格。本文对图像风格迁移中的内容和样式平衡性问题以及语义样式侵扰两个问题进行了研究,在此基础上进行了仿真实验,实验表明了本文的方法能够有效的解决平衡性问题以及语义样式混乱的问题。