人脸画像合成,是指将给定的人脸照片转换为某种艺术风格的肖像,如素描、钢笔画等。现有工作通常利用成对的照片-画像数据集,以有监督的方式训练画像合成模型,以获得较好的生成效果。然而,获取成对的照片-画像数据集需要耗费大量的时间、人力和财力。因此,无监督人脸画像合成方法,即从非成对照片-画像数据中学习照片域到画像域的映射关系,具有重要的研究价值。现在,研究人员已经提出了少量无监督人脸画像合成方法。不过,这些方法所合成的画像在纹理细节逼真度、几何结构一致性等方面仍然存在缺陷。为了解决这些问题,本文从跨域图像翻译的角度开展研究,分别提出了一种新颖的跨域特征学习方法和一种新颖的跨域特征融合方法,显著提升了无监督人脸画像合成的质量。本文的研究工作主要包含以下两点:（1）首先,本文提出了一种基于风格特征对比学习的无监督人脸画像合成方法。本方法主要解决“照片-画像”跨域图像翻译过程中,内容特征与风格特征分离能力欠缺的问题。具体而言,本方法首先基于对比学习构建判别式风格编码器,实现对图像风格特征的分离,提升对画像风格的表征能力。其次,基于动量网络利用整体域特征对样本个体特征进行平滑,减少样本之间的风格偏差,提升了风格特征的一致性与画像合成的鲁棒性。最后,利用多层次多尺度的条件判别器提升域判别能力,促使生成器合成更逼真的画像细节。本文在多种风格的人脸画像合成任务上进行了实验。定量和定性分析结果表明,该方法显著提升了人脸画像合成的质量,在视觉效果和指标评价上都大幅优于现有无监督人脸画像合成及跨域图像翻译方法。（2）其次,本文提出了一种基于尺度自适应特征融合的无监督人脸画像合成方法。本方法主要解决“照片-画像”跨域图像翻译过程中,局部特征融合能力不足的问题。具体而言,本方法首先利用多层次多尺度自适应卷积,在不同维度的解码特征空间中,实现多尺度局部特征融合。其次,基于对比学习构建判别式内容编码器,提升对图像内容特征的提取能力,以保障“照片-画像”跨域图像翻译过程中人脸结构的一致性。最后,利用基于滤波器响应归一化的投影判别器,提升小批量数据下生成对抗网络训练的稳定性和域判别能力。定量和定性实验表明,该方法进一步提升了人脸画像合成的质量。而且,该方法在视觉效果和指标评价上都大幅优于现有无监督人脸画像合成及跨域图像翻译方法。整体而言,本文从跨域图像翻译的角度对无监督人脸画像合成任务进行研究,提出了两种创新型方法:即基于对比学习的跨域特征学习方法和基于尺度自适应的特征融合方法。在多种风格的人脸画像合成任务中,所提方法可以基于非成对人脸照片-画像数据有效学习到照片域数据和画像域数据之间的跨域映射关系,并显著提升合成画像的质量。本文工作对无监督人脸画像合成的理论研究和应用推广具有重要价值。