图像风格迁移是计算机视觉领域的主要研究方向之一,在电影摄影、平面设计、医学成像等领域有广泛应用。现有工作虽然取得了许多重要进展,但风格迁移的多样性、局部迁移的精确性、跨模态迁移的一致性等方面存在明显缺陷。例如,风格转换主要是机械式地搬移已有参考图像的风格特征,而并非赋予图像全新的风格信息;局部属性特征编辑任务对复杂结构属性图像生成效果不理想;多模态风格迁移任务的交互性问题有待完善。针对上述挑战,本文在讨论已有风格迁移算法的理论研究的基础上,分别从全局风格编码、局部属性调整以及基于文本属性引导的局部风格迁移三个方面进行优化,并分析主客观实验对比结果。（1）针对现有风格转换工作机械式地搬移已有参考图像的风格特征现象,本文设计了能够赋予图像全新风格的网络。该网络分为两个阶段,分别是风格生成阶段和风格迁移阶段。风格生成模型是基于生成对抗网络的算法,风格迁移模型是基于风格向量化的自适应实例归一化算法。实验表明,该网络能够生成种类丰富、细节清晰且符合人类审美的高质量风格化图像,填补了生成新风格图像领域的空缺。（2）针对现有局部属性编辑任务对复杂结构属性图像生成效果不理想的现象,本文同时对隐特征空间和生成的图像设置属性标签约束,通过双重约束优化的策略,更好地保证了属性编辑细节的准确性,从而改进了人脸局部属性编辑的算法。同时,本文还在此基础上提出该算法的一项应用,利用新增属性标签向量的维度来储存全局新风格,达到同时编辑局部属性和赋予全局风格的目的。实验表明,该算法对人脸细粒度属性编辑效果较好,其扩展应用模型所生成的图像不仅能编辑指定的局部属性、也能赋予图像全局的艺术风格,具有更高的趣味性和必要性。（3）针对多模态风格迁移任务的交互性有待完善的现象,本文学习文本-图像两种模式中的映射对应关系,提出了一种基于文字引导的多模态人脸属性编辑方法。借助基于注意力机制的双线性长短期记忆网络提取文字特征,将提取到的文字特征经过一系列映射变换,再将其嵌入到优化的人脸属性编辑网络,从而实现文本引导的多模态人脸属性编辑任务。实验表明,该网络既能够较准确地完成文本指导的人脸属性编辑工作、也能赋予图像新的艺术风格,进一步扩展了风格迁移在人机交互领域的应用。