在互联网时代,头像在社交平台上起着名片的作用。部分人选择将个性突出的卡通画像作为自己的头像,但是让计算机自动生成符合人类主观审美的卡通头像不是一件容易的事情。生成对抗网络（Generative Adversarial Networks,GANs）作为现阶段主流的生成模型,在图像生成领域做出了巨大贡献,基于GANs的卡通头像生成技术受到了国内外学者的广泛关注。然而,现有的基于GANs的卡通头像自动生成算法面临着风格迁移效果不佳、身份保持不佳或者细节生成不佳的问题。生成的卡通图像需在进行风格转换的的的同时保留原图的身份特点,并且保证具备精准的图像细节。作者研究了一种针对卡通头像生成的模型,研究内容如下:1.设计了数据自动预处理模块,该模块实现了去除背景及人脸对齐的功能,帮助生成器更好地专注于学习人像在真实域和卡通域中不同部位的风格特点,有效地避免因数据集产生的生成图像内容混乱问题。2.针对经典算法CycleGAN在照片到卡通头像的迁移问题上存在的迁移效果不佳的问题,设计了一种基于域判别的卡通头像生成算法。通过加入域判别模块来舍弃源域图像中的专有特征,同时将CycleGAN的生成图像作为一个新的判别类。这些改进较有效的解决了CycleGAN存在的风格转换问题。3.针对身份保持不佳和细节生成不佳的问题,设计了基于多尺度特征的卡通头像生成算法。该算法加入了多尺度特征模块、U-Net长跳转连接以及专注于判别脸部五官生成效果的局部判别器,提升了图像的生成质量。4.为了避免同区域色块颜色不平滑问题的出现,作者设计了基于伪真实图像的卡通头像生成算法,该算法通过生成伪真实人脸图像来消除同一封闭区域颜色变化的情况。在算法中加入了伪真实循环一致性损失和身份损失,解决了身份不一致和色块不均匀的问题。客观和主观实验都表明,本文算法能较好地生成符合特定风格且身份明确的卡通人脸图像。使用FID距离评估生成图像的质量好坏,该距离越小表示图像质量越好。本文算法的FID是基准算法CycleGAN的47.25%,说明相较于经典算法CycleGAN,本文算法生成的卡通图像分布更接近真实卡通图像分布。