随着深度学习技术的快速发展,基于深度学习的图像风格迁移方法有了极大的改进与创新,近年来不断衍生出新颖的方法,如各种单模型单风格、单模型多风格及单模型任意风格的风格迁移方法,但现有方法中仍然存在可以提升的方面。一方面,在单模型多风格与单模型任意风格的方法中,旨在实现多种风格的风格迁移以降低训练成本和提升效果的丰富性,但往往会疏忽原内容图像语义信息与细节特征的保持,导致最终风格迁移效果受到影响。另一方面,多数现有方法只针对一张整体的内容图像进行风格渲染,而针对内容图像中局部不同区域进行风格迁移的方法较少,且依旧存在上述未能较好保持原内容图像语义信息及细节特征的问题。本文针对以上问题,基于深度学习的方法与技术,对风格迁移方法进行相关研究。本文的主要内容如下:（1）为了提升对原内容图像语义信息的保持效果,提出了一种基于注意力机制的多风格迁移方法。本文提出的方法引入了注意力机制模块,以提高网络性能,同时结合条件实例归一化的方法,实现了单模型多风格迁移以及能对风格程度进行控制,并且有效地保持了原内容图像的细节特征与语义信息,进而提高了风格迁移的效果与质量。实验结果表明,本文提出的方法能够呈现出丰富多样的风格迁移效果图,并且对原内容图像的语义信息进行较为完整地表达,与现有方法对比,本文方法的整体效果与质量得到了提高,同时采用了计算显著图间SSIM指标的对比方法,以体现结果图与原内容图像的相似度,在效果较优的结果图中SSIM值达到0.79,验证了本文风格迁移效果图能较好地保持原内容图像的语义信息。（2）为了实现较高质量的多区域风格迁移,提出了基于实例分割的图像多区域风格迁移与融合方法。实现过程需要涉及到三个方面,其中包括对内容图像中目标区域进行高精度且高效率的识别与分割、生成高质量的风格迁移效果图以及能够有效优化融合后目标区域的边缘轮廓。因此本文研究了分割精度较高且实时性较强的YOLACT实例分割网络模型以及图像泊松融合的方法,并结合了本文所提出的风格迁移方法。实验结果表明,本文方法能够对内容图像的前景目标与背景区域进行不同风格的风格迁移,并在最终生成的结果图中呈现出丰富多样的艺术风格,且依旧将内容图像中语义信息进行较好地保持,同时图像区域融合后的边缘及轮廓较为自然,对经过不同风格渲染且重构的结果图进行显著图间SSIM指标的对比,以体现出本文所提方法的有效性,在效果较优的结果图中SSIM值达到0.81,实现了较高质量的多区域风格迁移与融合效果。针对现有的问题,本文提出了两种风格迁移方法均较好地保持了原内容图片的细节特征及语义信息,并保留了风格图片的纹理与色彩,其中不仅实现了多风格迁移及对风格程度的控制,同时还实现了风格迁移的区域可控性,具有较高的应用价值。