图像风格迁移是指在保持图像内容不变的情况下,将图像的风格转换为另一种风格。近些年发现深度学习在风格迁移任务上取得了良好的效果。与传统风格迁移方法相比,深度神经网络可以避免对每种风格均需进行特征设计的问题。在对风格迁移的研究过程中,出现了生成图像的内容丢失、转换的风格不够充分和生成的图像会出现伪影等问题。本文针对这些问题展开研究,主要内容如下:（1）大多数现有风格迁移方法生成的图像存在产生伪影和丢失背景信息的问题,针对这个问题提出一种新的网络架构SDC-GAN,该网络架构是使用特征共享和特征解耦的方法进行图像的风格迁移。SDC-GAN网络架构中有两个GAN网络模块,第一个GAN网络的内容图像作为第二个GAN网络的风格图像,反过来也是如此,SDC-GAN对内容图像和风格图像同时提取特征,通过交叉的方式输入到GAN网络模块中。根据SDC-GAN特有的结构性质,对图像的重构损失和循环一致性损失进行了改进。在感知层上改进了风格重构损失和内容重构损失,使图像细节更加逼真。通过改进了循环一致性损失,有效避免了过拟合现象。通过重利用编码器,减少了参数规模,使模型结构更加紧凑,训练速度更快。（2）提出了一个自注意力多模态风格迁移网络SAM-GAN,不但实现了多个域之间的风格转换,而且使生成同一风格的图像具有多样性,避免了生成图像比较单一的问题。在SAM-GAN网络的生成器模块中,使用自注意力机制将局部特征与全局特征进行联合学习,使生成的目标风格图像局部位置可以与图像的全局相协调,从而提高了生成图像的质量。SAM-GAN网络中的风格映射网络模块可以使同一种风格的不同图像映射到同一流形空间中,从而产生同一种风格的不同特征隐藏编码。将得到的风格隐藏编码与内容图像同时输入到SAM-GAN网络中的生成器模块中,对生成的同一目标风格图像定义一个Style Diversification Loss,使SAM-GAN网络生成同一种风格的图像具有多样性。另外,在此模型中舍弃了循环一致性的强约束性,引入了对比学习的机制,使生成的目标风格图像更加灵活多样。