计算机视觉和图形学的迅速发展带动了动漫领域的相关研究。动漫人脸表情转换可以看作是在非成对数据上的多域图像到图像翻译任务,该技术可以减少艺术创作者的劳动投入、启发创作者的灵感以及帮助业余爱好者实现艺术创作等,然而目前仍存在以下问题:（1）现有方法基于离散表情标签标记的数据集以及多域图像到图像翻译方法,但存在无法细化表情控制以及对表情控制程度较弱的问题。（2）现有方法应用重建损失来维持动漫人脸的身份信息,但对于某些图片难以在转换表情的同时维持人脸身份信息,并且对表情转换效果存在抑制。针对问题（1）,本文提出了一种基于解码器控制的动漫人脸表情转换方法。该方法以生成对抗网络作为基本框架,设计了一个适合动漫人脸表情转换的多域图像到图像翻译模型AFET-GAN。其生成器部分拥有两个子网络,第一个子网络是控制信息映射网络,通过仿射变换和非线性变换将离散表情标签映射成高维潜在控制信息。第二个子网络是表情转换网络,通过将控制信息以Ada IN的方式在解码器部分多次注入,实现多层次的特征控制。最后,通过对实验结果进行定性评价与定量评价,AFET-GAN模型增强了表情控制效果,解决了离散表情标签无法细化表情控制以及现有多域图像到图像翻译模型对表情控制强度较弱的问题,验证了该方法在动漫人脸表情转换效果上优于其它的方法。针对问题（2）,本文提出了一种维持身份信息的动漫人脸表情转换方法。该方法在AFET-GAN的基础上,通过整合注意力掩膜机制设计出AFET-GAN v2模型,使得模型的表情控制集中于表情相关区域,避免无关区域的特征受到影响。并在模型训练过程中设计了一种基于上下文损失的身份信息维持方法,通过使用一个预训练的损失网络计算模型的输出图像与输入图像之间的特征相似度,代替重建损失维持人脸身份信息。最后,通过对实验结果进行定性评价与定量评价,AFET-GAN v2模型解决了基于重建损失的方法在某些情况下难以维持人脸身份信息的问题,并使得表情转换效果更加自然,验证了该方法在动漫人脸表情转换任务上维持身份信息的能力优于其它方法。