随着深度卷积神经网络的发展,生成对抗网络被应用于图像翻译领域并取得了优异的效果。素描与彩色图像之间的翻译(Sketch-to-Image,S2I)就是从素描图像稀疏的信息中重建出其他有用信息。S2I研究意义重大,但是由于素描仅能提供稀疏的信息,而缺少提升图像质量的色彩与高级语义信息,故一直是图像翻译中一大难题。本文认为人脸素描图像翻译不仅需要像花卉和汽车等普通图像完成对全局结构、局部纹理信息的重建,还需通过对局部属性的精准翻译来提升人脸图像的视觉效果,故将素描图像翻译任务分为普通素描与人脸素描两类。使用差分算子来处理彩色图像获得二值化的图像边界以此模拟素描,动态的差分算子参数增加了素描的种类,提升了网络的通用性,防止对特定风格的素描过拟合。对于普通素描的翻译任务,本文在Pixel-to-Pixel(Pix2Pix)图像翻译网络的基础上引入全变差损失来约束局部信息的重建,提升了翻译质量。针对人脸素描的特性,本文提出一种新的图像翻译算法:在文本属性约束下的人脸素描图像翻译网络,该算法的核心在于引入文本属性约束,通过感知融合的方法将素描与相应文本属性融合,并改进了配对的生成对抗损失且加入小区域修正像素对损失的约束,完成了人脸素描图像与彩色人脸图像之间翻译的任务并在FID(Fréchet Inception Distance,FID)的基础上,引入人脸检测领域中人脸相似度比对和人脸属性分析两种算法作为人脸素描图像翻译中全局翻译效果与局部属性翻译效果的评价指标。不同数据集上的训练与测试结果表明,本文所提两种素描翻译网络均提升了素描的图像翻译质量,表现出比与相似算法更好的视觉效果。