近年来,随着人工智能的快速发展,图像风格化技术在工业生产中发挥着越来越重要的作用,同时也广泛应用于抽象艺术创作、动画模拟、人像生成等领域。图像风格化技术为提高科研研究效率、工业生产智能化提供了极大的便利。然而在实际的项目开发中,图像风格化技术也面临着一些问题:现有的风格化技术对内容图像和风格图像的特征提取不高;模型生成图像的效率不高;生成图像质量差等比较难解决的问题。严重的影响了风格化技术的研究与应用。因此提高生成图像质量和保持生成图像结构不变具有重要的意义。在智慧城市快速发展的大背景下,智慧水务也应运而生。其利用自控、感知、智能等技术手段提升城市水系统管理水平。采用摄像头采集水表图像、水库图像、河道图像等数据并利用人工智能识别读数上传至管理平台。针对识别模型中要求训练数据多样且采集困难的问题,图像风格化技术辅助用于扩充训练数据集。为解决数据短缺、数据种类不全面等问题,本文研究面向智慧水务的图像风格化方法,从图像生成的质量和风格化的准确性方面,研究图像生成质量的提升和图像结构的保持,使生成图像能够在与原始图像的颜色和结构保持一致的基础上,同时具有风格图像的风格特征,从而可以真正实现多样的水表、水库等训练数据的扩充,满足面向智慧水务训练数据集的要求。本文主要研究内容如下:针对现有Cycle GAN存在的生成图像质量不好,并且生成图像颜色发生偏离的问题,提出了一种基于图像质量的对抗神经网络模型（Image Quality Cycle GAN,IQCycle GAN）。该算法在现有Cycle GAN网络基础上,将RRDB残差结构替换Cycle GAN中生成网络中的转码块和解码块,同时我们将采用颜色损失、感知损失来纠正生成图像颜色的偏离。实验表明,解决了Cycle GAN在生成图像质量低的问题。针对现有Cycle GAN生成的图像存在全局结构改变,且局部风格特征迁移效果较差的问题,提出了一种基于结构保持的对抗神经网络模型（Structure Preserving Cycle GAN,Str PCycle GAN）。该算法在现有Cycle GAN网络基础上,利用基于自注意力机制的残差结构的U-net网络作为Cycle GAN的生成器,具有细节特征提取的残差结构与U-net结构相结合的网络会使生成图像的细节特征更加明显。实验表明,该算法改善了Cycle GAN在生成图像中全局结构特征信息和细节风格特征信息的丢失。针对生成图像结构完好时图像质量不好的问题,提出了一种基于图像质量和结构保持的生成对抗网络模型。将设计的IQCycle GAN中生成器与设计的Str PCycle GAN中生成器相结合,同时加入自注意力机制,保证图像的全局特征,在损失函数上,引入颜色损失函数和风格感知损失函数,同时加入平滑损失函数,帮助图像生成质量的提升。实验表明本文提出的模型可以结构保留的同时生成高质量的图像。验证了本文方法的有效性。