文本风格是文本的重要特征,相比于文本格式、文本主题等,文本风格更加复杂,属于隐式特征。随着深度学习与自然语言处理的发展,有关文本风格的研究取得了不错的成果。目前的文本风格研究集中在文本情感风格、性别化风格等方面,而文本风格迁移任务目标,则是在保持文本主题不变的前提下,转换文本的表达风格,例如将消极表达转化为积极表达,或是将男性化表达转为女性化表达。文本风格迁移任务能够帮助人机交互系统更好地理解人类语言,同样也能帮助人类更好地理解人机对话系统的回复,因此文本风格迁移任务具有重要的研究与应用价值。本文主要对风格表示方法与风格迁移方法进行了研究,主要工作有以下三部分。（1）针对如何将文本风格特征进行表示的问题,本文提出了基于标签嵌入与图神经网络的风格表示方法。基于图网络技术,本文将自然语言数据集转化为文本图结构,并利用Node2Vec算法,在同一向量空间下,对文本单词节点与风格标签节点进行嵌入表达,进而获取了风格标签的向量表示,进一步与现有的标签嵌入算法进行了对比,获得了更好的嵌入表示效果,验证了所使用方法的优越性。（2）针对如何将风格表示方法与文本风格迁移任务相结合,以及中文领域相关研究不足的问题,本文提出了一种基于风格表示的文本风格迁移方法,并构建了中文数据集。通过前文提出的风格表示方法,可获取风格特征的向量表示。进一步,本文构建了Transformer模型,尝试了多种方式,将获取的风格表示向量与文本生成模型相融合,构建文本风格迁移模型,并获得了更好的风格迁移效果。同时,由于目前的文本风格迁移研究,多集中在英文领域,而中文的相关研究较少,为了研究者能够更好地开展工作,本文构建了三个中文数据集,并在现有的模型上进行了实验,验证了数据集的有效性。（3）针对文本多风格迁移研究中,不同风格之间相互影响的问题,本文提出了一种基于多任务学习的文本多风格迁移方法。现有的文本多风格迁移研究中,不同风格之间往往相互作用,进而造成模型整体效果降低。本文利用多任务学习中的参数硬共享方法,在共享底层嵌入的基础上,将不同风格迁移目标视作不同的任务,在多任务端对不同风格迁移目标进行解耦合,降低了风格之间的相互影响,并且在公开数据集上取得了更优的多风格迁移效果。同时本文从模型架构以及训练算法角度,分别构建了消融实验,验证了模型中不同模块与训练方法的必要性。