情感迁移旨在对源图像的情感进行改变。现有的方法存在一些问题。一方面这些方法没有考虑人脸特征对情感表达的影响。这将导致对目标图像的不正确的情感评估,从而造成情感迁移结果与目标图像的情感不一致。另一方面,现有的方法只是对图像的颜色分布进行迁移,并没有改变图像的形状特征。为了解决上述问题,本文重点研究了基于深度学习的图像情感迁移方法。首先,本文提出了一种基于卷积神经网络的人脸图像情感迁移方法。该方法考虑了目标图像中的人脸特征,建立了一个更精确的情感分类网络,对人脸情感特征进行分析。为了获得更加符合人的感知的结果,本文建立了一个新的人脸情感数据库,该数据库中包含图像的情感分布,从而能够符合图像和情感一对多的特点。为了能够更好地迁移图像的情感分布,本文提出了一个预训练情感网络。该网络结合了局部和全局特征网络,能够更好地学习图像的细节信息。最后,通过对现有的数据集进行训练来获得图像的情感颜色特征。该方法不仅使结果图像的情感与目标图像的情感更一致,而且能够保证图像的梯度和自然性。此外,本文还提出了一种新的基于生成对抗网络的人脸图像情感迁移方法。该方法可以直接改变人脸的形状特征。该网络包括两个生成对抗网络,构成一个环形网络。两个网络包含两个生成器和鉴别器,彼此之间的信息通过循环一致性损失函数进行共享。这样使得生成器所生成的图像与真实图像更加接近,细节保持的更加完整。另外,本文添加了人脸约束损失函数,从而保持人脸的轮廓不会有大的改变。这样既考虑了人脸的整体轮廓特征,也考虑了图像的细节特征。不仅如此,为了满足实验的要求,本文对现有的数据集进行了改进,分成六类子集进行训练。实验结果证明,本文的方法在细节性保持和整体性保持方面都优于现有方法。