自远古时期起,人们就开始使用草图这种简单便捷且高效的信息表达方式进行信息传递。在今天的日常生活交流中,也常见到人们借助草图来直观地传递和表达自己的想法,且这一现象随着触屏智能设备的大量普及越来越常见。作为重要的信息传递媒介,草图由于其自身所固有的多样性、随机性以及抽象性,使得对于人类来说很容易完成的草图绘制对于机器来说却十分困难。除此之外,相关数据集收集难度大、收集成本高,使得草图数据集尤其是图像-草图对数据集数量少、数据量小,在一定程度上限制了相关研究的发展。本文致力于研究一种无监督的深度学习算法,用于从真实图像生成笔画级别的草图。一方面,无监督的训练方式可以一定程度上解决图像-草图对数据集数据量不足、数据收集成本高的困难;另一方面,笔画级别的生成模式使得生成的草图仍然保留有重要的笔顺信息,对于扩充相关数据集具有重要意义。此外,图像到草图的跨域生成算法需要计算机学会模仿人类理解图像的方式来完成一个跨模态的生成任务,因此本文的研究对于草图识别、草图语义分割等相关领域,甚至是其他跨域的生成算法研究都具有启发式的意义。本文所做的主要工作有如下几个方面:首先,本文提出了 一种无监督的图像到草图跨域生成模型,创新性地将图像到图像风格转换问题的基本思想应用于解决图像到草图的生成问题,针对图像和草图域间距离大的问题提出了解决方案,对模型结构进行了改进;其次,本文实现了由包含空间信息的图像到包含时序信息的笔画级草图的转换,分析并解决了由于跨模态所带来的生成结果不对齐的问题;接着,本文对模型进行了进一步的改进,使得模型能够同时兼容单类别和多类别的草图生成任务;最后,本文将图像到草图的生成模型应用到了实际的图像检索当中,实现了一个可视化的基于草图的图像检索应用。