图像风格转移是一种重要的图像编辑任务,该任务利用风格图像的纹理和风格对内容图像进行风格的渲染。在保证内容图像的语义结构的基础上,很好地将风格图像融入到内容图像中,创造出具有风格特色的新的艺术作品,即对现有艺术作品的再创作过程。近些年来图像风格转移的快速发展得益于卷积神经网络的出现,其已经被广泛地应用于广告设计,艺术作品创作,电影特效渲染等工作任务中。本文对当前图像风格转移方法的研究主要从基于全局相关性矩阵和基于生成对抗网络的图像风格转移方法这两种主流方法展开。基于全局相关性矩阵的图像风格转移方法根据优化对象的不同,可以分为基于图像优化和基于模型优化的图像风格转移方法。由于基于图像优化的图像风格转移方法每次生成图像时迭代时间较长,本文则对基于模型优化的图像风格转移方法进行了研究,该方法通过模型的训练从而获得风格图像的特征信息,实现内容图像到风格化图像的映射,虽然该方法极大地提升了图像风格转移的效率,但生成的风格化图像存在丢失内容图像细节信息的问题;基于生成对抗网络的图像风格转移方法,则通过动态学习的方式实现图像到图像的转换,生成对应图像的分布,但是该方法需要成对数据集。针对以上两类图像风格转移方法所存在的问题,本文对图像风格转移方法进行了研究。首先对基于模型优化的图像风格转移方法的网络结构进行改进,随后对基于生成对抗网络的图像风格转移方法中的损失函数、特征转化方式以及网络结构上进行改进,进一步提高风格化图像的质量,弥补当前算法所存在的不足,主要工作包括:（1）分析了图像特征在不同深度的卷积神经网络层的表达。为研究卷积神经网络中不同层所提取的特征,通过反向传播算法对相应卷积层提取的特征进行了可视化。从而确定提取内容特征和风格特征所需用到的卷积层,奠定了本文接下来的工作基础。（2）提出了一种基于上下文编码的图像风格转移方法,该方法构建了一个图像转换网络和损失网络,通过引入上下文编码模块并且在卷积层后加入实例正则化,使得网络能够更快速地收敛。最后对输出层的激活函数进行调整,使得生成图像的质量提高。（3）提出了一种基于语义自适应的图像风格转移方法。该方法以条件生成对抗网络为框架,构建了生成器、鉴别器以及语义提取器。其中生成器和鉴别器通过最小最大值动态优化,学习风格图像的纹理、颜色等低级信息;语义提取器作为特征损失,通过提取内容图像的高级语义信息作为约束条件来优化生成器。该方法解决了图像风格转移中存在的风格化图像语义丢失,物体边缘扭曲以及颜色覆盖等问题。