风格迁移是图像融合的重要分支,风格迁移定义为从多幅图像中收集所有重要信息,并将其包含到更少的图像中（通常被包含在一副图像中）。这一幅图像比任何一幅源图像信息更丰富、更准确,它包含了所有必要的信息（通常包括内容信息和风格）。传统的风格迁移算法针对每一种风格图像,都要先手动建立一个数学或统计模型,再通过改变要做迁移的图像或视频帧来让它们更好地符合该模型。这种方法不仅耗费较大的人力资源,而且还有一个很大的缺点,就是一个算法基本只能针对一种风格或某一类场景的迁移,并且迁移的效果尤其是在视频的风格迁移上往往不尽人意,因此基于传统风格迁移研究的实际应用十分有限。随着人工智能尤其是深度学习的崛起,研究者们开始结合神经网络来探索新的风格表征和迁移算法。本文通过深入研究深度学习思想,借助于当前图像融合算法的研究成果,提出基于深度学习而改进的风格迁移模型,具体研究内容为:（1）提出基于生成对抗网络（Generative Adversarial Networks,GAN）的风格迁移模型,人脸图片向卡通图片进行风格迁移,针对目前主流方法中采用L1损失函数约束生成图片和输入图片的内容提出采用VGG提取深层特征进行约束,更好了减少了局部形变和伪影,基于此,进一步实现彩色人脸图片向素描图片进行风格迁移,提出基于谱归一化约束生成对抗网络的梯度下降,达到稳定性训练的目标,此外,本文详细分析了以往不同模型对于彩色人脸图像向素描图片进行风格迁移过程中产生的问题,提出在生成对抗网络的基础上利用多判别器进行判别,并且利用导向滤波将人脸彩色图片的高频特征和低频特征进行分离,分别对不同特征采用适当的方法进行迭代优化。（2）利用深度可分离结构并采取每次只针对局部通道进行训练的方法大幅达到模型轻量化的效果,并且仍然取得了较好的实验结果,在人脸向卡通风格迁移和人脸向素描风格迁移中都取得了较好的效果,并且大幅度降低模型计算量。通过应用所提出的高频和低频判别器,本文的模型在生成素描图片方面与最先进的方法相比,在成对图像上Frechet Inception Distance（FID）约减少了 18%,在未成对图像上减少了6%。本文提出的方法甚至可以生成一个比艺术家更赏心悦目的草图。在Structural Similarity（SSIM）,Peak Signal to Noise Ratio（PNSR）也取得较好结果。为了加速模型的收敛,进一步提出了衰减的正则项。在港中文学生数据集（CUHK student dataset）,港中文人脸素描数据集（CUHK Face Sketch）,和基于StyleGAN2的黄种人数据集（Yellow-StyleGAN2）之间进行大量实验,证明了本文提出的方法的有效性。综上所述,本文提出了基于深度学习的网络模型,并且分别通过大量实验证明了方法具有实际应用价值。