图像风格迁移是一种借助计算机生成新图像的技术,尤其是在图像轮廓形状、颜色分布、线条特征等方面的生成。摄影图像风格迁移技术存在一个矛盾:即风格迁移技术既期望得到强烈的局部色彩效果,又期望图像结构内容不会发生几何变形。在卷积神经网络中,色彩信息和基本轮廓信息属于浅层具体特征。如何保留和利用浅层信息是摄影图像风格迁移的关键。本文以循环一致对抗网络为基础,针对摄影图像风格迁移方法展开研究,主要研究内容如下:1.针对摄影图像风格迁移过程中浅层具体特征消失而导致生成图像结构发生扭曲。本文设计残差特征聚合模块（Residual Feature Aggregation,RFA）,在网络编码器中采用RFA结构对每一层的特征进行提取和聚合,保留每一层的图像特征信息,为重建图像提供更加充足的浅层具体特征信息。2.针对摄影图像风格迁移过程中高层抽象特征的不稳定容易导致模型崩溃、特征转换不充分的问题。本文设计Adams密集连接网络,在网络结构的转换器中将密集连接网络（Dense Net）和Adams方法结合,增强网络特征转换能力和特征转换的稳定性,继而缓解模型崩溃和抽象特征转换不充分的问题。3.在上采样过程中,解码器使用U-Net结构来接收转换器的高层抽象特征和编码器的浅层具体特征,同时利用多尺度接收聚合模块（Multiscale Receiving Aggregation Block,MRAB）提取丰富的特征信息。此外,由于图像细节特征需要多种不同的卷积尺寸,而MRAB模块可以从多个尺度恢复纹理信息,从而可以达到重建摄影图像细节特征的目的。本文在Cezanne、Monet、Van＿Goh、Uki Y＿oe、水墨画、山水画数据集上验证了模型的性能。实验结果表明:与其它模型（Gatys、Dual GAN、Cycle GAN）相比,生成图像的结构相似度（SSIM）平均提高9.7%,峰值信噪比（PSNR）平均提高27.2%,弗雷歇距离（FID）平均下降52.0%。改进的模型能够使生成图像具有强烈的局部色彩效果,并且能够使生成图像完整保留原始图像的结构特征,表明了本文模型在摄影图像风格迁移方面的有效性。