近年来,随着互联网技术对于人们生活的渗透,研究者们对深度神经网络技术的不断探索,深度神经网络技术目前在图像识别、语音识别、机器翻译和自然语言处理等多个领域可以运用的范围不断扩展,其提供的解决效果和人工处理的结果越来越贴近。而最近几年,伴随着人们在计算机视觉领域的探索和学习不断深入,人们对于图像处理的水平越来越高,图像处理技术的应用范围也逐渐扩大,在人们生活和工作中应用面也是越来越广。近年来利用深度神经网络来进行图像风格转化的方法迎来了爆发式的增长。在进行图像风格转换的方法中基于生成对抗网络的图像风格转换是目前在深度学习领域中发展最为快速也是效果最好的一种方法,它不仅可以很好的迁移两种图像的风格,而且在图像的修改,颜色填充,图像变形,以及现实风格图像增强等多个领域都可以运用。但以往使用卷积神经网络实现图像风格迁移,成对的数据集耗费巨大,获取难度较高,因此对无需成对数据集的生成对抗网络进行图像风格迁移意义重大。循环一致性生成对抗网络不需要成对的数据集,就可以实现对两种不同的图像的风格迁移,不过其在转换过程中仍然存在着诸多问题,如模式容易崩溃和图像转换后模糊,阴影重,色彩失真等,而在现实风格图像转换为动画风格图像时仍存在容易造成图像部分丢失以及轮廓线条丢失或模糊不清,本文是以基于循环一致性对抗网络为基本框架,然后根据改进的算法在现实风格图像数据集上进行实验,针对生成对抗网络模型进行了以下改进,第一点是在判别器中将谱归一化替换为梯度归一化,在不降低判别器性能的条件下,使得判别器的梯度空间变得更平滑,梯度归一化是将原传统的归一化函数对模型施加的模块级别的约束替换为模型级别的约束,提升了神经网络的能力。第二点是在生成器上改变现有的网络结构,将原有的Res Net残差网络结构替换为新型残差网络结构Res Ne Xt,为了生成具有动漫创作者所绘制的具有其独特风格的图像,本文利用了四种不同类型的艺术家风格的数据集,进行了大量的训练,训练得出宫崎骏等风格的图像风格转换模型,经过实验表明模型可以成功将现实风格图像转换为具有动漫风格的图像,同时经过预训练模型转换生成的动漫风格图像不仅保留了现实风格图像的内容,且图像的色彩也非常丰富,与现实风格图像非常贴近,轮廓及其纹理也较为清晰,本文的最后通过两组消融实验对替换残差网络结构和归一化函数前后的实验结果进行对比,同时通过四组对照实验将本文算法模型和其他两种模型对与不同艺术家风格的图像的迁移效果进行了验证。