非成对的图像转换旨在通过不利用任何成对的标注数据来学习一个从源域到目标域的映射。该问题可以通过学习源图像在目标域中的条件分布来解决。现有的非成对的图像转换算法的一个主要问题是生成图像缺乏细节,色彩过浓,而现实场景的图像转换必须有丰富的细节。针对这些问题,本硕士论文提出了一种随机特征重建的非成对图像转换(RRUIT)框架,该框架利用随机特征重构保持源图像的高层特征,采用对抗性训练,学习目标图像的数据分布。本论文所提出的RRUIT框架主要由以下几部分组成:(1)在生成对抗网络的框架下,本论文用两个损失函数来更新生成函数,辅助损失引导生成器生成粗图像,主损失函数用来优化生成器后连接的由粗到细的模块用于生成符合目标域分布的图像。(2)在本文中粗到细的模块包含两个基于密集连接的空间金字塔的子模块,用于丰富生成图像的细节。(3)在现有的特征重构损失的基础上,本文提出了一种随机特征重构损失,该损失函数运用于不成对的图像转换任务中可以有效地保留输入图像的高频特征,丢弃部分低频特征。通过大量的真实图片风格转换和艺术风格迁移的实验。结果验证了该模型能够生成高质量的并且服从目标域数据分布的图像。