图像风格迁移是将图像的一种艺术风格迁移到另一种图像上。也就是使普通的图像具有艺术家的风格，使整个照片更具有艺术性。当画家看到美丽景象后可以直接用画笔绘制或先用相机拍下再通过画笔绘制，得到艺术化图像，这些都需要耗费很长的时间。而将真实图像和纹理图像数字化之后通过计算机只需要几分钟就可以生成不同风格的艺术图像。图像风格迁移从传统的渲染和滤波的算法发展到基于深度学习的算法，使生成的效果图像发生了质的变化。随着深度学习的不断发展，基于深度学习的图像风格迁移算法也突飞猛进，它不仅能够快速地将图像艺术化，还可以逼真地模仿人类的创作形式，让艺术创作不再耗时耗力。
　　在对已有的基于深度学习的风格迁移算法研究与算法实现后，发现了一些问题：在将一幅艺术图像风格整体迁移到内容图像时生成的效果图中内容会随着风格图像的纹理出现扭曲模糊和难以辨别的情况；在对人脸进行风格迁移时，得到的效果图像往往都是失去面部特征无法识别的；在进行局部风格迁移算法后得到的效果图发现分割过的图像边缘融合不好，内容丢失。本文为了解决这些问题做了相关的研究，具体的实现方法如下：
　　(1)针对风格迁移中生成的效果图像出现的内容扭曲模糊和难以分辨的问题，提出对整体风格迁移算法中的风格和内容的权重进行调整的方法，找到最合适的权重数，以保证得到的效果图像内容清晰，且具有艺术风格；
　　(2)通过多风格迁移的方法解决图像风格迁移遇到的图像内容丢失和混乱扭曲的问题，可以将内容图像的不同部分使用不同的风格图像进行迁移，也可以将不同风格图像先融合，再将融合后的风格迁移到内容图像上；
　　(3)解决人脸整体风格迁移效果图中的面部无法辨别，以及随着风格图像的纹理而扭曲的问题，提出对图像进行分割，分为前景和背景再进行风格迁移，保留住面部特征；
　　(4)经过研究，发现分割后再迁移的效果图中分割边缘融合的好坏取决于图像分割精度。针对分割过的边缘融合不好的问题，提出基于图像分割的风格迁移算法，将Matting算法和语义分割算法相结合，再添加一项最小二乘惩罚项对边缘进行约束。